基于深度学习卷积神经网络的花生籽粒完整性检测

目的:准确区分完整花生、果仁破损花生和表皮破损花生。方法:提出了一种基于深度学习卷积神经网络(CNN)的花生籽粒完整性检测方案。搭建了花生籽粒色选系统,建立了花生籽粒图像库;利用改进的密度峰值聚类(DPC)算法对CNN卷积核进行自适应压缩,有效平衡网络深度和运算效率;采用改进的麻雀搜索算法对CNN超参数配置和网络结构进行优化,得到适用于花生籽粒完整性检测的CNN模型。结果:相比于DL-CNN、CO-Net等检测方法,该方案识别准确率提高了5.41%~13.92%,花生籽粒单幅图像检测时间缩短了约16.9%。结论:该方法可有效提高花生籽粒完整性检测的准确率和实时性。     

基于改进权重衰减的EfficientNet食用菌图像识别

目的:解决食用菌种类识别传统方法靠人眼判断的不足,降低同一科属性状相似的识别出错率。方法:提出一种基于卷积神经网络的EfficientNet食用菌图像分类模型,利用不同设备和拍摄环境采集食用菌图像并建立数据集,通过模型训练技巧和网络技巧对模型性能进行提升,提出一种YWeight权重衰减方法来控制有效学习率,通过控制cross-boundary来影响模型的泛化性能。结果:该方法在自建数据集YMushroom上使EfficientNet-B0获得79.82%(+0.85%)top-1精度,默认训练过程仅获得78.97%。在公开数据集Fungus上使EfficientNet-B0达到87.62%(+0.78%)准确率,原始训练准确率为86.84%。结论:通过调整超参数使模型可接近最优解,通过权重衰减提升了食用菌图像分类模型的性能。     

基于高光谱图像光谱变量和颜色特征的霉变玉米籽粒识别

目的:准确识别霉变玉米籽粒。方法:基于高光谱图像光谱变量和颜色特征建立霉变玉米籽粒识别的新方法。先对玉米籽粒图像进行图像分割和光谱变量、颜色特征提取,并根据颜色特征生成颜色直方图;将光谱变量和颜色直方图特征组成特征集合;通过距离函数对特征集合中所有特征的分析确定霉变玉米籽粒所属类别。结果:所提方法对霉变玉米籽粒类别的最大平均识别偏差为1.12,最佳平均识别准确率为97.59%;与基于高光谱图像+随机蛙跳+极限学习机的方法、基于高光谱图像+稀疏自动编码器+卷积神经网络的方法、基于高光谱图像+蚁群优化+BP神经网络的方法相比,研究所提方法对霉变玉米籽粒类别的识别准确率明显提高。结论:该方法可实现被测玉米籽粒样品是否霉变以及霉变程度的准确判断。     

基于深度学习的香蕉成熟度自动分级

目的:快速、准确分类香蕉成熟度。方法:采集不同成熟度的香蕉图像并建立图库,利用多种神经网络作为分类器提取香蕉特征,通过迁移学习对香蕉6个成熟度等级进行分类,并对最适合进行香蕉成熟度分类的网络模型进行改进,设计简易香蕉成熟度实时检测界面,最后验证模型的可行性和实用性。结果:AlexNet模型最适合用于香蕉成熟度分类,准确率最高,可达到95.56%;通过修改其全连接层结构改进AlexNet模型,模型准确率再提升1.11%。结论:AlexNet模型可快速准确识别并分类不同成熟度的香蕉。     

基于多光谱特征分区的油桃品质分析算法

目的:解决基于光谱图像识别技术易受相近类型干扰,致使对被测物的种类与品质识别产生偏差的问题。方法:设计了可见光与近红外光的独立双通道光谱采集系统,通过控制不同特征区域的光谱范围与光谱分辨率,实现对特征波长位置的吸光度快速采集;构建了品质参数,给出了其关于光谱变化与样品质量的函数表达形式;根据测试样品的光谱分布特性,选择合适的特征波长位置,并通过主成分分析给出了种类与品质参数的解算依据。结果:采用CM-25D分光仪和FT-NIR分光仪获取了4种常见的油桃样本的可见与红外光谱,建立了以吸光度值与吸光度比值作为判别因子的最小二乘权值分析法,与传统线性比例分析法进行比较,该算法种类识别率均值为96.7%,归一化品质系数为0.892,识别能力均有所增强。结论:采用双通道光谱采集硬件结构配合基于权值分配的偏最小二乘算法,可以对光谱特征相近的油桃品种进行更好的分类与识别。     

多通道次品虾自动剔除系统构建及关键控制参数优化

目的:实现南美白对虾外观品质检测中次品虾的高效自动剔除。方法:构建了对虾品质无损检测与剔除装置,通过构造形态学特征提取算法实现正、次品虾分级检测,通过设计由双侧向中间喷射方式实现次品虾精准剔除;通过对虾体内部组织受力分析,计算确定出气量与对虾移动距离之间的关系,并优化设计了出气量、对虾移动距离以及速度3个参数之间的关系。结果:随着试验批次增加,识别率也稳步递增。当试验批次进行到第4次时,系统整体的剔除率可达到95%以上。结论:参数优化后,多通道次品虾自动剔除系统可实现次品虾快速自动剔除。     

基于AHP-FEA权重分配方法的码垛机器人腰部转台多目标结构优化

目的:提高码垛机器人的动态性能并降低能耗。方法:通过静、动力学分析确定以质量最小、最大位移最小、第一阶固有频率最大、最大应力最小为优化目标,以结构参数为设计变量,利用Box-Behnken和RSM方法建立目标函数的近似模型;提出一种基于有限元分析结果的层次分析法(AHP-FEA)用于权重系数的分配,并以综合目标函数作为评价指标,利用NSGA-Ⅱ算法求解;基于AHP-FEA方法获得腰部转台的优化模型,并与初始模型进行对比。结果:在保证结构强度、刚度和振动稳定性的情况下,质量减轻了9.6%。结论:与常见的平均分配法和经验赋权法相比,采用AHP-FEA权重系数下的优化综合目标函数值最小,其综合优化效果更优。     

基于外观特征识别的花生品种与品质检测方法

花生的品种和品质检测是花生育种实践和质量检验的重要内容.为了评价通过外观特征进行大数目花生种子检验可行性,采用图像识别的方法通过数码相机拍得了48个品种和同一品种6种不同品质的花生群体图像,基于主分量分析和人工神经网络的方法建立和检验了由形态类、纹理类、颜色类共49个种子外观特征构建的识别模型并进行了模型组合优化.结果表明:模型优化后品种识别率和品质识别率分别达到91.2%和93.0%;颜色类特征在品种品质检测上效果优势明显;外观特征对品质的区分度较对品种的区分度大.采用机器视觉检测具有成本和速度上的优势,能够用于花生品种和品质的真伪鉴定.     

改进的YOLOv5蛋类缺陷自动检测模型

目的:解决现有蛋类缺陷图像自动检测方法存在的检测效率低、精度差等问题。方法:在蛋类检测系统的基础上,提出一种改进的YOLOv5自动检测模型。将轻量级网络MobileNetv3添加到YOLOv5模型中,以降低模型复杂度,删除颈部网络和输出端小目标检测。结果:与传统的控制方法相比,该方法能够更准确、高效地实现蛋类目标表面缺陷检测,复杂度降低了35%以上,单幅图像的检测时间为14.25 ms,检测准确率＞95%,满足食品缺陷检测的需要。结论:改进的YOLOv5检测模型可以有效提高蛋类缺陷检测效率。     

基于改进鲸鱼算法和神经网络的食品机器人能耗轨迹规划

目的:针对食品工业机器人动力学参数未知的节能轨迹规划问题,提出一种基于鲸鱼算法和神经网络的点到点机器人关节能耗轨迹规划方案。方法:构建食品机器人移动机械臂点到点关节能耗模型,设计基于神经网络的相似动力学辨识,用改进的鲸鱼算法对权重和偏置参数进行离线优化;采用四次多项式插值法规划关节移动轨迹,将轨迹参数等效为鲸鱼编码,通过求解关节能耗目标优化函数,最终得到能耗最优的关节运动规划轨迹。结果:该方案适用于机器人动力学参数未知下的轨迹规划场景,得到的轨迹能耗比同类降低约9.01%。结论:基于鲸鱼算法和神经网络的轨迹规划能实现食品机器人能耗优化目标。     

基于分类特征提取和深度学习的牛肉品质识别

目的：降低数据差异性和光谱特征冗余度对牛肉品质识别的影响。方法：提出一种基于分类特征提取和深度学习的牛肉品质识别方法,采用改进的DPeak算法对光谱数据进行自适应聚类分析,实现对数据的差异性分析。定义牛肉光谱特征提取目标函数,采用离散狮群算法进行求解,提取每个分类的最佳光谱特征子集,最大限度降低特征冗余度。运用改进狮群算法(ILSO)对每个分类对应的支持向量机(SVM)模型参数进行优化,提出融合分类特征提取和ILSO优化SVM的牛肉品质识别模型,完成对牛肉品质的分类识别。结果：相比于SSA-SVM、PCA-SVM识别模型,该模型识别精度提高了约12.3%~14.5%。结论：基于分类特征提取和深度学习的牛肉品质识别模型能够提高牛肉品质识别精度。     

基于改进Tiny-YOLOv5l算法的串型番茄定位与计数

目的:提高串型番茄分拣效率,减少误检、错检。方法:采集串型番茄图像数据集,通过数据增强扩充数据并提高模型的泛化性能,将YOLOv5l框架内的Bottleneck层中的3×3卷积替换为改进的SVM-MHSA层,通过将MHSA中softmax分类函数替换为更适用于串型番茄的SVM分类函数;将检测框架中剩余3×3卷积替换为深度可分离卷积,引入随机纠正线性单元提高网络训练收敛速度。结果:改进后的Tiny-YOLOv5l模型可有效实现串型单果识别定位、整串果实计数,检测框损失率由1.48%降低至1.34%,目标损失率由1.98%降低至1.73%,置信度损失降低了1.4%,精度由97.36%提升至98.89%,召回率由97.35%提升至98.56%。结论:Tiny-YOLOv5l算法更加精准且兼具轻量化,面对遮挡、背景干扰、光照变化、虚化等挑战具有较高的识别准确率,可为产后串型番茄分拣人员提供准确的单果位置信息以及整串果实数量信息。     

基于ResNeXt与迁移学习的干制哈密大枣果梗/花萼及缺陷识别

目的:解决目前红枣检测过程中果梗/花萼容易被误识别为缺陷枣的问题。方法:提出一种基于深度学习和图像处理的干制哈密大枣果梗/花萼及缺陷识别方法。通过改进深度残差网络ResNeXt-50,采用感兴趣区域提取方法和迁移学习技术提出一种TL-ROI-X-ResNext-50分类模型,实现干制哈密大枣果梗/花萼及缺陷分类。结果:通过模型试验对比,感兴趣区域提取方法和迁移学习技术可以减少模型计算成本,提高准确率,模型识别准确率可达94.17%。结论:该方法可初步满足干制哈密大枣果梗/花萼及缺陷在线检测装备的生产需求。     

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CBAM-InceptionV3迁移学习的食品图像分类

为提高食品图像自动识别分类的准确率,提出一种嵌入通道注意力机制和空间注意力机制的卷积块注意力模块(CBAM)的“开端”第三版(Inception V3)分类模型。将带有图像网络(ImageNet)预训练权重参数的InceptionV3模型拆分后,在每个Inception块后嵌入CBAM模块,再重新组装成新模型,共嵌入11个CBAM模块。将此模型用于经过填充和缩放到299×299像素的Food-101食品图像数据集进行迁移学习,最高准确率达到82.01%。与原始的InceptionV3模型相比,CBAM模块能够有效提升模型的特征提取和分类能力;同时迁移学习与从头开始训练相比也可以大幅提高准确率、缩短训练时间。与其它几类主流卷积神经网络模型进行对比实验,结果表明该模型具有较高的识别准确率,可为食品图像分类识别提供有力支撑。     

基于深度学习的发霉花生识别技术

目的:快速、无损地识别发霉花生，提高发霉花生的识别效率。方法:采用光谱仪采集高光谱花生数据，利用深度学习技术识别霉变花生，建立Hypernet PRMF模型，并以Deeplab v3+、Segnet、Unet和Hypernet作为对照模型进行比较。将所提出的花生识别指数融合到高光谱图像中，作为数据特征预提取。同时将构建的多特征融合块集成到控制模型中以提高发霉花生识别效率。结果:所有模型的平均像素精度均超过了87%。Hypernet-PRMF模型的检测精度最高，达到90.35%,同时对于整个花生数据集，Hypernet-PRMF的错误识别率较低，可以有效识别图中所有的发霉花生。结论:基于深度学习所建立的Hypernet-PRMF模型具有较高的像素精度与检测精度，可有效识别发霉花生。     

基于电子舌和电子眼结合改进MobileNetv3的黄芪快速溯源检测

目的:实现对不同产地黄芪的快速溯源检测。方法:提出了一种基于电子舌和电子眼结合改进MobileNetv3网络的黄芪产地快速检测方法。采用电子舌和电子眼分别采集不同黄芪样本的一维指纹图谱信息和二维外观图像信息。利用格拉姆角场(Gramian angular field, GAF)将一维电子舌信号转换为二维图像信息，保留电子舌信号中时间序列相关特征，再将其与电子眼采集的图像信息进行数据融合，采用基于金字塔切分注意力机制(Pyramid split attention, PSA)改进的MobileNetv3模型实现对不同产地黄芪样本的分类识别。结果:相较于单独使用电子舌或者电子眼，该方法具有更高的识别准确率，其测试集准确率、精确率、召回率和F₁-Score分别达到98.8%,98.8%,98.8%和0.99。改进的MobileNetv3网络分类准确率较原始模型提高了8%,参数量仅为原参数量的20%左右。结论:改进的MobileNetv3网络可以有效减少参数的计算量，提高不同产地黄芪识别的准确率。