基于YOLOv5的咖啡瑕疵豆检测方法

目的:实现咖啡豆瑕疵检测。方法:提出一种基于改进YOLOv5s网络,以YOLOv5s为基线网络嵌入并优选不同的注意力机制模块与激活函数。结果:使用CBAM模块与激活函数Hardswish的平均精度均值相比基线网络分别提高了5.3%和2.9%。经过200次迭代训练,模型准确率为99.5%,平均精度均值为97.6%,召回率为0.98,识别速率为64幅/s,模型大小为15 M。结论:相比于Faster RCNN、SSD、YOLOv3、YOLOv4、YOLOv5s,试验算法识别准确率更高,模型更加轻量化,对咖啡瑕疵豆的识别效果更好。     

基于卷积神经网络与迁移学习的玉米籽粒图像分类识别

种子是农业生产最基本,最主要的生产资料。为实现玉米种子的快速鉴定识别与保护,本文提出基于卷积神经网络(Convolution Neural Network, CNN)与迁移学习相结合的玉米种子籽粒图像分类识别方法,可将预训练的CNN模型参数迁移到玉米籽粒图像分类识别任务中。实验采集了6种玉米种子籽粒图像双面图像共1 976张,包括16DX531,京粘1号,科诺58,铁研,小金黄,郑单958,建立胚面,胚乳面和双面混合的3种数据集。按照7∶2∶1的比例随机划分训练集,验证集和测试集,并对训练集图像作数据增强处理。基于4种CNN模型Xception, ResNet50V2,MobileNetV2,DenseNet121进行参数迁移学习。实验结果表明Xception与胚乳数据集建模方法优于其他方法。Xception--胚乳模型训练集与验证集平均识别准确率分别为95.55%和95.97%,测试集准确率为92.78%。基于卷积神经网络与迁移学习相结合的玉米籽粒图像识别方法切实可行。     

基于改进YOLOv5s的大米外观品质无损检测模型

针对大米在外观品质中需要快速识别需求,提出了一种基于改进YOLOv5s网络的大米外观品质识别模型(CG-YOLOv5)。为提高大米的识别率,文本增加了小目标检测层。其次,为使模型轻量化,用Ghost模块代替YOLOv5s的骨干网络。为进一步提升模型的性能,通过试验研究了不同的注意力机制对模型性能的影响,最终选取CBAM注意力机制加入到YOLOv5s网络中。为直观CBAM注意力机制的效果,对大米图像进行了特征图可视化。试验结果表明修改后的网络的mAP达到了96.5%,相比YOLOv5s网络提升了4.3个百分点。在相同数据集下,与8种主流的检测网络进行对比,并在不同光照情况下的试验结果表明,该方法的检测mAP和检测时间皆优于其它8种检测网络；在检测时间上,该方法的平均检测时间为41ms,相较于YOLOv3快119ms,相较于YOLOv4-tiny快35ms。该方法具有优异的检测精度以及良好的鲁棒性和实时性,可以用于大米品质检测中。     

糖熏鸡腿颜色快速精准识别的多层卷积神经网络模型研究

为快速精准识别糖熏鸡腿在熏制过程中产生的所有颜色,基于机器视觉技术,构建Xception-CNN模型用于熏鸡腿颜色的识别,同时应用Res Net-50、Inception和传统卷积神经网络(convolutional neural networks,CNN)等3种模型对比分析Xception-CNN模型对熏鸡腿颜色的识别效果。采集并经过图像预处理后,共得到不同颜色的熏鸡腿图像4 352张,作为4种模型的实验样本,随机选取其中的3 482张作为训练组,剩下的870张作为测试组。结果表明,4种模型的平均识别准确率分别为92%(Xception-CNN)、91%(Res Net-50)、89%(Inception)、87%(传统CNN);测试时间分别为1. 36 s(Xception-CNN)、0. 81 s(Res Net-50)、0. 98 s(Inception)、2. 48 s(传统CNN)。Xception-CNN模型对糖熏鸡腿图像的颜色识别准确率最高,达到92%,测试时间略高于Res Net-50模型和Inception模型,但低于传统CNN模型,仅需1. 36 s即可完成识别,此模型可以实现糖熏鸡腿颜色的快速精准识别,为糖熏工艺参数精准调控、保障产品颜色标准化等提供可靠依据。     

基于多尺度特征融合注意力机制的纸病分类方法研究

针对造纸工业中传统纸病分类算法准确率低的问题,本课题提出一种多尺度图像增强结合注意力机制的方法;采用锐化滤波器和对比度增强操作获得图像对直线信息的响应,同时利用Sobel边缘检测获取图像对边缘信息的响应,然后将这些响应分别放进卷积神经网络(CNN)中提取浅层局部信息后进行特征融合,得到全局信息,最后利用注意力机制,通过关注这些图像中最有特点的部分,进行纸病分类。实验表明,该方法优于HOG+SVM、LBP+SVM以及传统CNN等方法,在自建数据集上,分类准确率可达到96.63%;与现有基于CNN的纸病分类算法相比,所需的数据量更少,分类效果更好。     

烟草病虫药害智能识别基准数据集构建及三维注意力模型设计

为了实现烟草病虫药害图像智能识别,本文构建了可供机器学习研究的烟草病虫药害图像数据集,并提出了三维注意力加权模型。在结合烟草专家诊断知识的基础上,本文使用多种数据增强方法提高数据多样性,对烟草病虫药害图像数据集构建进行合理化、规范化设计。在使用深度迁移学习技术进行自动提取浅层特征的基础上,设计了三维注意力权重学习模块,进行高层特征计算,实现田间拍摄图像的精准识别,平均识别准确率达到了85.56%,明显优于其他现有方法。该模型不仅在烟草病虫药害识别方面表现出了较高精度,在复杂农业生产环境下也具有较好的鲁棒性,能够实现烟草病虫药害图像实时智能识别。      

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低，小目标检测较困难的问题，提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制，使模型聚焦于图像中的关键信息，改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能，其中引入CBAM模块后提升幅度最明显，较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

基于空间信息增强的轻量化玉米果穗品质识别

果穗是籽粒的聚集形态。为实现轻量化卷积神经网络对玉米果穗品质的准确、快速识别,提出了一种结合轻量化主干和轻量化通道池化注意力模块（Lightweight channel pooling attention,LCPA）的玉米果穗品质识别模型LCPA-Ghost。首先,采用Ghost网络实现轻量化处理,减少训练成本和冗余信息,提升模型的特征学习能力。其次,将LCPA模块增加到Ghost模块的捷径连接中,在引入少量参数的情况下,弥补空间信息捕获能力的不足,保证模型识别准确率。实验以正常、籽粒杂乱、霉变、杂色和缺粒果穗为研究对象,采集并制作了包含1571张果穗图像的基础数据集。实验结果表明,LCPA-Ghost模型的测试识别率达98.12%,与CorNet相当,而模型参数量仅为2.40M,单张识别速度为19.08ms,提升9.8%。LCPA-Ghost模型为玉米果穗品质的轻量化识别提供了可行的实验方法。     

基于卷积神经网络和迁移学习的色织物疵点检测

针对色织物疵点检测准确率较低的问题,提出一种基于卷积神经网络的疵点识别方法。首先对织物图像进行预处理,然后将无疵点织物和5类疵点织物图像样本输入到残差网络模型进行训练和测试,最终总识别率为91.53%。以残差网络模型为例,研究了迁移学习在织物疵点识别中的应用。将ImageNet数据集上预训练的图像特征迁移到织物疵点识别任务上,并在两个大小不同的数据集上比较迁移学习的效果。结果显示,当数据集较小时,通过迁移学习可以提升模型的识别率。     

基于改进ResNet模型的食品新鲜度识别方法

目的:解决现有食品新鲜度识别方法存在的检测效率低和精度差等问题。方法:基于食品生产线图像采集系统,提出一种改进的残差神经网络模型用于生产线食品新鲜度识别。引入改进的LRELU激活函数提高模型的识别性能,引入批量归一化层提高模型的训练效率,引入Dropout层丢弃一定比例的神经元降低过拟合的影响。结果:与常规食品新鲜度识别方法相比,试验方法能够较为准确、高效地实现食品新鲜度识别,总体新鲜度识别准确率>97%,平均识别时间为9.8 ms,满足食品生产线对新鲜度识别的需要。结论:基于深度学习的检测方法是一种无损、高效、高精度的食品图像新鲜度识别方法。     

基于改进MobileNetV2的玉米籽粒图像品种的快速鉴别研究

为实现玉米籽粒品种的快速鉴别与保护，本文提出了基于改进MobileNetV2的玉米籽粒品种识别方法。采集了11种玉米籽粒图像共3938张，建立胚面与非胚面的双面混合数据集。按照7：2：1的比例随机划分训练集、验证集和测试集。对MobileNetV2网络模型进行微调改进，探讨全连接层数量与维度以及dropout的取值对模型性能的影响，并在此基础上解冻部分骨干网络，最终模型准确率达到0.9795，相较于基准模型准确率（0.9487）提高0.0308。试验结果表明，迁移学习时对基准模型微调是十分有必要的，可以有效提高模型准确率。本研究为玉米籽粒图像识别提供了新的建模方法，基于迁移学习，结合微调改进能够有效提升玉米籽粒图像分类的准确率。     

基于改进YOLOv3模型的软包装食品自动识别方法

目的:解决现有包装食品自动识别方法存在的识别精度差、效率低等问题。方法:基于软包装食品自动识别系统，提出一种改进的YOLOv3模型用于软包装食品的自动识别。将Kmeans++算法引入模型中解决小目标不敏感问题，将Mish激活函数引入模型中提高识别的准确性，将注意力机制Senet引入模型中提高特征提取能力。通过试验分析了该识别模型的性能，验证了模型的优越性。结果:与常规识别方法相比，所提方法能更准确、高效地实现软包装食品的自动识别，识别准确率为95.40%,识别效率为23.80帧/s,满足包装食品识别的需要。结论:通过对现有食品识别模型的优化，可以有效提高识别模型的性能。     

基于卷积神经网络的食品图像识别

目的 探究一种基于Inception_V3-CNN模型的食品图像识别和分类方法。方法 选取包含20类食品和19609张的食品图像建立数据集Food-101, 通过卷积神经网络(convolutional neural networks, CNN)提取图像候选区域的视觉特征, 并自动进行分类, 使其具有较高的识别率; 此外, 采集来自kaggle库中已标注的食品图像集做预测对比实验, 以保证Inception_V3-CNN模型检测的准确度。结果 该方法能够去除背景噪音, 且仅需部分提取视觉特征, 可以有效解决网络食品图像的分类问题, 与多视图支持向量机(support vector machine, SVM)+方向梯度直方图(histogram of oriented gradients, HOG)和传统CNN方法相比, 在测试时间相近、设备计算能力相同的条件下, 该方法识别率更高, 迭代次数为15000次时, Loss值降至4.92, 准确率可达93.89%。结论 此方法可以快速识别食品图像, 在实际网络图片中能有较好的可移植性。将算法移植到移动设备中实现APP的模块化操作也将成为后续工作探索的重点方向。     

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

基于深度学习的服装丝缕平衡性评价系统

为解决虚拟试装中难以自动评价服装丝缕平衡性的问题,充分应用了深度学习在图像自动识别中的优越性,针对服装丝缕平衡的特点,设计了卷积神经网络的拓扑结构,通过对各个特征部位上不同平衡状态的服装丝缕图片进行等级分类和学习训练,得到的网络模型的识别准确率达到93.589%,从而建立了可实现对服装各个关键部位丝缕平衡性自动评价系统。结果表明:应用基于深度学习的服装丝缕平衡性评价系统,对虚拟环境下的服装各个关键部位上的丝缕图片进行识别和分类,可以缩短服装平衡性检测的时间,提高检测的效率,快速获取服装丝缕不平衡的位置,以便对服装进行修改。