基于SqueezeNet的卷烟小盒外观检测算法在低成本硬件上的实现

文章设计一种基于SqueezeNet卷积神经网络,实现对小包外观检测.SqueezeNet卷积神经网络所使用数据集采集自昆明卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,对训练集进行数据增强及均值减法的预处理之后,送入卷积神经网络进行特征提取与分类.在MATLAB平台上进行学习与测试,使用数据集,小包外观识别准确率可达99.66％,效果较好.之后,使用树莓派作为算法实现硬件,将经过验证的SqueezeNet算法部署到树莓派中.经过验证,算法运行正常.     

基于机器视觉的樱桃缺陷检测与识别

以机器视觉技术为基础,利用卷积神经网络对樱桃缺陷进行检测与识别,并进行验证。结果表明,正常果樱桃识别准确率为99.25%,缺陷果樱桃识别准确率为97.99%,识别速度为25个/s;通过与其他方法进行对比,试验方法能够准确检测并识别多种缺陷类型。     

基于YOLOv5网络的缺陷硬糖智能分拣系统研究

针对糖果生产企业采用人工方法分选缺陷硬糖存在的漏检、成本高、效率低等问题,研究设计一种基于卷积神经网络的缺陷硬糖智能分选系统.通过工业相机采集硬糖图像,利用YOLOv5卷积神经网络模型进行缺陷硬糖的检测识别,使用喷阀剔除缺陷硬糖.测试结果表明,实时检测准确率高达98％,具有高度自动化和智能化水平,在食品生产工业中具有一...     

基于卷积神经网络的卷烟小盒外观检测研究

文章基于卷积神经网络(CNN),模拟人脑对图像的识别过程,实现了对卷烟小包外观检测.卷积神经网络所使用数据集采集自某卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,将训练集送入卷积神经网络进行特征提取与分类.经过网络学习与测试,使用新的数据集,小包外观识别准确率可达99.15％,效果较好.     

基于深度卷积神经网络的环焊缝X射线底片公片检测算法——评《埋弧焊X射线焊缝图像缺陷检测算法研究》北大核心CSCD

为提升焊缝无损缺陷检测的效率和性能,行业内对无损检测方法和人工智能相关工业视觉检测方法等检测形式进行了深度研究,在此基础上提出了基于深度卷积神经网络的焊缝缺陷自动检测算法。通过对焊缝缺陷数据进行收集和分析,对焊缝缺陷数据具体的分布特征进行总结,在焊缝缺陷的尺度差距和分布范围等特征中引入不同的空洞卷积,进而提升缺陷检测的性能,然后基于空洞卷积以及无锚框检测框架设计出自动检测缺陷的算法,对环焊缝X射线缺陷进行有效检测。由高炜欣编著、科学出版社出版的《埋弧焊X射线焊缝图像缺陷检测算法研究》一书对基于深度卷积神经网络的环焊缝X射线焊缝缺陷检测算法进行了详细的介绍,能够对技术人员的工作进行有效指导。     

基于深度学习的水果缺陷实时检测方法

目的：对CenterNet方法进行优化改进。方法：使用MobileNetV3的轻量化卷积神经网络替代CenterNet 原有的骨干网络,加快检测速度,对MobileNetV3模块进行改进,增强模型对水果中小缺陷块的检测能力,并对CenterNet的预检测阶段进行优化,提高其检测准确度。结果：试验方法对显著缺陷如直径>4 mm的苹果识别率高达99.7%,检测速度为113帧/s,模型体积为1.31 MB。结论：与CenterNet_ResNet18和CenterNet_Shuffler模型相比,MO-CenterNet模型检测水果缺陷在训练时间、检测速度和准确率方面均衡性更好。     

应用深度卷积神经网络的色织物缺陷检测

针对织物缺陷检测时传统人工的误检率、漏检率较高问题,提出一种应用深度卷积神经网络的色织物缺陷检测算法。因织物图像采集过程中含有较多噪声且信噪比较低,先对缺陷织物进行最优尺寸高斯滤波,有效滤除细节噪声;再根据织物图像特征建立深度卷积神经网络,利用径向基神经网络的非线性映射能力作用于卷积神经网络,并通过反向传播算法调整权值参数,获取无缺陷样本与训练样本之间的映射函数;最后,利用映射函数及特征字典重构图像并提取特征,根据Meanshift算法分割缺陷,确定缺陷位置。结果表明：应用深度卷积神经网络的缺陷检测算法对色织物图像库中的缺陷图像可实现提高检测效率、缩短检测时间,获取准确缺陷位置的目的。     

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。     

基于仿生机械手手势识别的优化设计

基于快速准确地采样手势进行识别的目的,文中采用YOLOv3的检测算法和改进的ResNet-50卷积神经网络的模型以提高手势识别预测准确率和检测速率。搭建以树莓派为控制电路的仿生机械手,通过摄像头采集人手运动姿态信息,建立人手姿态形式的关节模型。采用YOLOv3的检测算法对手势进行检测,并对ResNet-50卷积神经网络的模型做改进。通过大量实验进行分析与验证改进后的卷积神经网络预测准确率和检测速率高于未进行改进的卷积神经网络。     

基于改进卷积神经网络的化纤丝饼表面缺陷识别

针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。     

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。     

基于改进型RFB-MobileNetV3的棉杂图像检测

针对深度卷积神经网络模型复杂导致嵌入式设备难以满足实时在线检测的问题,提出改进型RFB-MobileNetV3(RFB-MNV3)的棉杂检测方法。首先,根据高精度轻量化网络模型的构建和保证检测准确率高的前提下,减少MNV3冗余网络结构;其次,将3×3卷积层取代5×5卷积层,1×3+3×1卷积层折叠取代3×3卷积层作为改进型感受野(RFB)模块部署到改进型MNV3的池化层中,以提升棉杂的在线检测速度和准确率;最后,将改进前后的算法与其它检测算法进行比较。结果表明,改进型RFB-MNV3算法的单张检测速度可达到0.02 s,在线检测平均准确率达到89.05%。通过对MNV3网络结构进行改进,在保证高检测准确率的前提下,可满足嵌入式设备在线棉杂检测的需求。     

基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。     

基于多特征神经网络的便携式地沟油快速检测仪

基于可编程片上系统（SoPC）的异构架构,设计了便携式地沟油快速检测仪。以现场可编程逻辑门阵列（FPGA）通过移植Cortex-M0软核,完成SoPC平台的构建;使用FPGA硬件资源,通过串并通行流水线设计思想对运算次序进行优化,设计了参数校准加速器和神经网络加速器并接入总线系统。验证测试表明：该装置可以高速准确地完成地沟油定性分析,并能区分油的种类,相较于传统的同类终端地沟油检测设备,检测时间缩短了89%;同时,引入加速器后的SoPC的数据处理速度超过Cortex-A9两倍。     

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YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。     

反向传播神经网络算法结合拉曼荧光光谱法定量检测特级初榨橄榄油掺假

目的 建立基于反向传播神经网络算法结合拉曼荧光光谱技术定量检测低等级橄榄油掺假特级初榨橄榄油的分析方法。方法 制备11种不同掺伪浓度的特级初榨橄榄油混合油样各10份，在相同时间、空间及目标的前提下，使用同台光谱探测系统，采集样品的拉曼光谱和荧光光谱。经过卷积神经网络去除拉曼光谱的基线，实现拉曼光谱和荧光光谱的数据预处理。根据分子光谱与电子光谱的特征差异，人为干预并设定拉曼光谱的权重，建立低等级橄榄油掺假特级初榨橄榄油的反向传播神经网络回归模型。结果 综合评估了反向传播神经网络回归模型的评价参数，特级初榨橄榄油掺假的反向传播神经网络模型的测试集决定系数为0.9716，均方根误差为0.0569，模型预测效果较好。结论 本研究提出的反向传播神经网络算法结合拉曼光谱与荧光的探测方法，满足快速检测低等级橄榄油掺假特级初榨橄榄油的定量分析需求，为评价或跟踪特级初榨橄榄油的品质提供了一种无损伤、高效率、低成本的新检测思路。