基于改进Faster R-CNN的食品包装缺陷检测

目的：对纸质包装盒缺陷进行准确的识别与定位。方法：应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测。对训练集图片进行数据增强并添加噪声,提升模型的训练精度和鲁棒性;将特征提取网络替换为ResNet50,并融合特征金字塔网络（FPN）,提高模型多尺度检测的能力;使用K-means++对数据集中缺陷尺度进行聚类,优化锚框方案。结果：改进后的Faster R-CNN模型在测试集上的平均准确率（AP）达到93.9%,检测速度达到8.65帧/s。结论：应用改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位,可应用于包装盒缺陷的自动检测与分拣。     

基于改进Faster R-CNN模型的水果分类识别

目的：提高水果类别识别准确率。方法：基于改进Faster R-CNN模型建立水果识别方法。使用正则化方法对高维参数进行权重衰减,以有效解决训练过程中可能出现的过拟合问题;在Faster R-CNN框架中添加两个损失函数：一个似然函数和一个正则化函数,以优化卷积层和池化层;以最小二乘法求解水果识别的目标函数;利用准确率、回召率、精度和F1分数对训练好的水果识别方法进行水果识别效果评估。结果：所提出的方法对水果识别的准确率、精度和回召率达到99.69%,0.996 8,0.994 8;与其他8种水果识别方法相比,所提出方法对水果识别的准确率、精度和回召率至少提高了0.91%,1.32%,0.51%。结论：该方法可准确识别水果种类。     

基于改进Faster RCNN的化纤丝缺陷检测

为提高化纤丝生产加工中出现的断线和疵点类缺陷的检测精度,对Faster RCNN算法进行改进。首先,在主干特征提取网络上加入可变形卷积模型,以提高网络对不同缺陷特征的适应性;其次,采用递归特征金字塔(Recursive Feature Pyramid,RFP)结构替换原特征金字塔网络(Feature Pyramid Network,FPN),进行二次特征提取;最后,改进损失函数,采用Rank&Sort Loss(RS Loss)函数替代原分类损失函数,解决化纤丝2类缺陷样本量相差较大问题。对比实验后得出,改进后的方法训练得到的mAP值为84.7%,较初始模型提高了4.3%,可以满足实际生产加工中对化纤丝缺陷的智能检测要求。     

基于改进YOLOX模型的樱桃缺陷及分级检测

目的:实现工业化条件下樱桃的快速分级。方法:采用YOLOX网络对缺陷果进行检测,通过为特征金字塔网络设置适当的融合因子来提高不明显缺陷的检测精度,并将Focal Loss集成到损失函数中;使用YOLOX网络对完好果进行分级,引入注意力机制CBAM来加强网络特征提取。结果:樱桃表面缺陷的平均检测精度为97.59%,大小和颜色分级的平均检测精度为95.92%。结论:改进后的YOLOX网络可明显提升樱桃缺陷及分级检测的精度。     

一种基于聚类特征的Faster R-CNN粮仓害虫检测方法

本文基于Faster R-CNN模型提出复杂背景下粮仓害虫的检测识别方法。将六种常见的储粮害虫(豆象、谷蠹、米象、锯谷盗、赤拟谷盗、锈赤扁谷盗)分别以大米、小米为背景,建立了真实背景下粮仓害虫图像数据集SGI-6。SGI-6中包括网络获取图像、显微镜采集图像和单反拍摄图像三种多目标尺度的数据集。根据粮仓害虫的小目标特性,使用聚类算法改进Faster R-CNN模型的区域提案网络,来提取这些图像中含有害虫的区域,并对这些区域中的害虫进行分类。实验结果表明,该方法能够在储粮条件下检测和识别粮仓害虫,且其平均准确率(mAP)达到96.63%。     

基于改进YOLOv5的织物缺陷检测

鉴于织物表面纹理复杂导致织物缺陷检测准确率低以及小目标检测困难等问题,提出一种基于改进YOLOv5的织物缺陷检测算法。首先,在YOLOv5的骨干网络上,增加CBAM注意力机制,从而强化有用的特征信息弱化无用的特征信息;其次,将Neck层的路径聚合网络(PANet)用加权双向特征金字塔网络(Bi-FPN)替换,从而更好地平衡多尺度特征信息,提高小目标检测的特征能力。最后,通过改进损失函数,使用Focal EIOU Loss损失函数来代替CIOU Loss损失函数,不仅使得收敛速度更快,而且可以有效的解决难易样本不平衡问题。实践证明：改进后的训练模型平均精度均值mAP值为84.5%,比未改进增加了4.7%,可满足实际生产中的织物缺陷检测要求。     

基于改进的Faster R-CNN的小目标储粮害虫检测研究

针对小目标储粮害虫图像的检测问题,提出了一种基于特征金字塔网络的Faster R-CNN改进模型对图像中的小目标进行检测。本文以5种常见的储粮害虫为检测目标,样本中通过随机组合的方式混合不同种类的储粮害虫进行拍照取样,通过对原始图像数据进行目标扩充后构建了含942张储粮害虫图像的数据集（CSGP）。在改进模型的特征金字塔网络结构中,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。实验结果表明,采用训练集目标扩充的方式,储粮害虫图像的目标检测结果mAP提升了2.21%;改进后的模型进一步使得储粮害虫图像检测的mAP达到96.69%。最后,设计了一套粮仓内的储粮害虫监测系统。     

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。     

基于改进Yolo v5的织物缺陷检测方法

针对纺织品表面缺陷检测算法速度低、泛化性能差及鲁棒性弱等问题,课题组提出了一种基于改进Yolo v5的织物表面缺陷检测方法。在Yolo v5骨干网络的基础上增加了卷积注意力模块,增强目标检测网络对特征图中重要信息提取并弱化无关特征;针对网络特征融合阶段特征尺度不一致造成的冲突问题,引入自适应空间特征融合的方法;在训练过程中使用迁移学习加快训练速度。实验结果表明：与未改进的Yolo v5算法相比,所提出的检测框架能够有效提高网络精度达98.8%,检测速度达83帧/s。该检测方法能满足实际工业要求。     

改进Faster RCNN在粮虫目标检测中的应用研究

针对储粮害虫体积小、姿态多变、背景复杂、存在粘连遮挡且容易混淆、检测精度低等问题,提出了一种基于深度学习的改进Faster RCNN粮虫目标检测方法。通过在特征图后引入金字塔池化模块,优化损失函数,提升粮虫检测性能。实验结果表明,该方法在本文自制的白板背景和储粮背景两个粮虫数据集的mAP分别达到89.42%和90.12%,相比较改进前的算法分别提升了0.9%和2.46%。     

基于对抗神经网络和神经网络模型的筒子纱抓取方法

为提高筒子纱抓取和上纱过程的自动化和柔性化程度,应用单目视觉系统引导机器人完成上纱过程。采用工业相机获取单个筒子纱不同形态的数据信息,应用GAN(生成式对抗神经网络)对筒子纱数据集扩充,提高筒子纱数据集多样性。将所得的数据集加载到Faster R-CNN(更快速区域卷积神经网络)模型里进行训练,应用训练好的神经网络识别和定位筒子纱,引导机器人完成上纱任务。应用搭建的单目视觉系统实验平台对结果进行测试,结果表明,经过标定后的视觉系统可以完成多个筒子纱的抓取任务,以满足筒子纱上纱过程的自动化和柔性化要求。     

樱桃叶中黄酮类物质和樱桃籽油的提取纯化研究进展

近年,樱桃的种植面积扩大,产量增加。大量樱桃叶和樱桃籽作为动物饲料或废渣被丢弃,造成资源浪费和环境污染。本文就樱桃叶和樱桃籽开发利用的研究进展进行综述。概括了樱桃叶中黄酮类化合物的提取纯化的方法以及黄酮类化合物的结构特征。总结了樱桃籽中油脂的提取、优化方法和樱桃叶中油脂理化性质、脂肪酸的组成。以期为提高樱桃加工产品的附加值及其副产物的深加工和开发提供借鉴和参考。      

基于遗传算法的织物疵点特征选择

 为提高疵点分类的正确率,提出应用遗传算法对织物的疵点进行特征选择。首先提取机织物疵点图像,基于直方图、灰度共生矩阵、灰度差分统计、小波差分统计等描述纹理特征,采用遗传算法对这些特征组成的特征向量进行特征选择,再用支持向量机（SVM）分别对原特征向量和选择的特征子向量进行分类。实验结果显示,织物疵点的平均识别率从原来的89%提高到95%,说明该算法对织物疵点特征选择是有效的。     

木材表面缺陷图像特征提取方法的研究

针对木材主要表面缺陷的特征,将缺陷轮廓特征值、平均灰度值以及灰度方差值进行重点研究分析,提出了木材缺陷标识性特征的提取方法。本方法可提高木材表面缺陷特征量提取的精确度,为木材表面缺陷的无损、快速、准确检测提供了技术支持。