基于改进Faster R-CNN模型的樱桃缺陷检测

目的：提高工业环境下樱桃分级分拣工作的效率。方法：提出了基于Faster R-CNN框架改进的樱桃缺陷识别分拣模型。结果：通过对比VGG16、MobileNet-V2和ResNet50网络,主干网络为ResNet50的效果最优,改进后的Faster R-CNN模型对樱桃裂口、双生、刺激生长、霉变、褐变腐烂和完好果的检测精度分别为97.75%,99.77%,98.90%,97.56%,96.67%,98.80%,平均检测精度达98.24%,高于其他模型,检测速度为31.16帧/s。结论：试验方法对樱桃缺陷类别的检测具有较高的识别精度。     

基于深度卷积神经网络的樱桃分级检测

为使樱桃达到标准化和商品化,加大樱桃产值,樱桃分级成为不可或缺的环节。该文提出一种基于深度学习关键点检测方法对樱桃的大小分级和有无果梗进行判别。通过卷积神经网络自动提取樱桃的关键点特征,构建回归网络模型得到樱桃果梗首末两端和果萼两侧的关键点坐标,从而达到樱桃分级的目的。试验结果表明樱桃大小检测准确率为93.14%,有无果梗判定准确率为90.57%,基于深度学习的关键点回归检测方法能够有效检测樱桃尺寸和有无果梗,具有较高的准确率,检测速度为33 fps,能够满足实时性需求。