深度学习在水果品质检测与分级分类中的应用

水果自动无损品质检测与分级分类是保障人们健康的重要措施,也间接影响着水果的经济价值。随着计算机技术的飞速发展,以深度学习为代表的人工智能方法在水果品质检测与分级分类领域的研究中取得了一系列重要成果。本文概述了深度学习的背景及常用的深度学习主流算法,然后从水果外部品质检测、内部品质检测、安全品质检测和分级分类等方面综述了近年来深度学习在水果品质检测与分级分类领域的最新研究成果。最后总结了未来深度学习和水果品质检测、分级分类交叉融合研究与应用中的优势,并展望了水果品质检测与分级分类研究融合深度学习的未来发展方向。     

基于深度学习的储粮害虫检测研究进展

储粮害虫检测与预警对保障粮食储存安全具有重要意义。目标检测是计算机视觉研究领域的核心问题之一,近年来深度学习在目标检测领域的应用研究取得了重大突破,储粮害虫目标检测也取得了较大进展,并逐步在粮库智能化建设中推广与应用。本文从储粮害虫数据集的获取与预处理、储粮害虫目标检测算法研究、储粮害虫检测结果应用等三个方面,总结了近年来基于深度学习的储粮害虫检测研究进展,通过对比研究,提出了该研究领域存在的问题及未来研究方向。     

基于深度学习的棉花异性纤维检测

在棉花纤维生产过程中,棉花异性纤维直接影响着其成品质量优劣。通过人工进行视觉上的观察是常用的判定棉花异性纤维优劣的方法,但这种方法耗费大量人力和时间,且准确性不高。本文测试一种可根据深度学习对棉花异性纤维进行自动检测的方法。通过卷积神经网络,在对棉花图像不断训练的过程中,使棉花异性纤维质量检测过程自动化。结果表明,这一方法对于检测棉花异性纤维准确性高、效率高,对于高品质棉花自动化生产加工有重要意义。     

基于深度学习的蚕茧种类实时检测系统设计

针对目前人工选茧效率低、自动化辨识技术尚未被有效利用等问题,设计了一种基于深度学习的蚕茧种类实时检测系统.该系统主要由检测装置、蚕茧图像识别模块、气泵吹气控制模块及蚕茧种类检测管理模块组成.蚕茧分批进入粗选机构中,该机构以振动分离的方式快速分离部分下茧;剩余蚕茧通过单粒化机构进行有序排列;通过精选机构拍摄蚕茧完整表面图...     

基于深度学习的TA15钛合金显微组织检测

钛合金在航空制造中常用于飞机的主要承力构件,需要对其进行显微组织检测以保证材料性能。为克服钛合金显微组织图像难以自动检测的问题,文章以TA15钛合金为突破口,提出并详细说明了一种基于深度学习的显微组织检测方法,包括采集原始图片时应注意的问题、数据增强时旋转图片导致的纹理不一致问题及解决方法,提出了一种性能较好的神经网络结构以及考虑实际生产置信度的预测结果后处理与管线构建方法。最终实现了从原始图片到显微组织类别的端到端预测。     

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。     

西装识别的深度学习方法

为准确而快速地对电商平台产品图像进行西装目标的分类检测,以3个主要的卷积网络深度学习框架即快速区域卷积神经网络、基于区域的全连接卷积网络和单次多盒检测为基础,首先通过实验分析其在服装图像分类识别中的效率和有效性,针对小目标识别困难和过拟合识别问题,提出基于尺寸分割和负样本的单次多盒检测(SSD)增强方法(DN-SSD);然后将图像分割为不同尺寸的子图突出服装目标,通过融合分类方法解决SSD算法对小目标识别不足的问题,并通过增强负样本以提高算法的场景适应能力。实验结果表明,该算法可有效地识别各种形态和大小的西装目标,识别准确率达到90%以上,并且能够方便地推广到服装其他品类的识别中。     

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。     

基于网中网卷积神经网络的红枣缺陷检测

提出了一种基于网中网卷积神经网络对红枣进行缺陷检测的方法,在原有AlexNet卷积神经网络的基础上增加了1×1隐含感知层,增强了网络的非线性以提取更抽象的特征;并采用全局平均池化层的方式替换全连接层,减少大量参数的同时提升了识别准确率。对新疆骏枣进行了实测,可将红枣分为好枣、黑斑枣、皱枣、叠枣、脱皮枣、黄皮枣和裂枣7类,表明该方法与基于常规SVM的视觉检测方法和基于AlexNet网络的分类方法相比,分类效果得到了有效提升。     

基于机器视觉+深度学习目标检测的皮革表面缺陷检测系统研究

针对皮革表面缺陷人工检测效率低、准确率低等问题,基于机器视觉和深度学习算法等构建了一种皮革表面缺陷检测系统.对该系统的主要框架及核心功能进行分析,以一般皮革表面光学检测系统为对象进行检测精度与检测效率对比.结果表明,基于机器视觉+深度学习的皮革表面缺陷检测系统检测精度更高,在应用初期的检测效率与一般检测系统较为接近,但随着应用时间的增长,系统检测效率优势也会逐渐显现.     

基于深度学习的织物疵点检测研究进展

为提高疵点检测的准确性和通用性,实现使用简洁而有效的形式对织物图像的特点和疵点的本质特征进行综合表达,首先,介绍了深度学习技术,对引入了深度学习的疵点检测方法进行综述,同时对深度学习与疵点检测的内在关系进行阐述;然后,分析总结了深度学习的概念及代表性的计算模型,并对引入深度学习的疵点检测方法进行归纳、总结和分类;最后,对典型的方法进行了分析,讨论了各种方法的优缺点,并对未来的研究趋势进行了展望。指出：随着深度学习的发展,探索更加通用的检测方法是推进深度学习在织物疵点检测领域应用的努力方向。     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10⁹次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。     

基于YOLO-FFD的水果品种和新鲜度识别方法

目的：改善现有水果识别与分级方法依赖于人工操作和复杂设备的情况。方法：提出了一种轻量化模型YOLO-FFD（YOLO with fruit and freshen detection）,该模型以YOLOv5框架为基础,基于深度可分离卷积和GELU激活函数设计轻量化模块LightweightC3作为主干特征提取网络的基本单元,减少模型参数量和计算量,加快模型的收敛速度;使用大内核深度可分离卷积模块EnhancedC3改进原模型的颈部,抑制信息丢失并增强模型的特征融合能力,提高模型的检测精度;采用GSConv代替特征融合网络中的普通卷积,使模型进一步轻量化。结果：提出模型的平均精度均值达到了96.12%,在RTX 3090上速度为172帧/s,在嵌入式设备Jetson TX2上速度为20帧/s。相比于原始YOLOv5模型,平均精度均值提高了2.21%,计算量减少了26%,在RTX 3090和Jetson TX2上的速度分别提高了2倍和1倍。结论：YOLO-FFD模型能够满足识别水果品种和新鲜度的需求,且在复杂场景下错检、漏检情况均有改善。     

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YOLOv4神经网络的小龙虾质量检测方法

设计了一种采用YOLOv4深度学习算法的小龙虾质量检测模型,该算法在网络架构、数据处理、特征提取等方面进行了优化。自主拍摄小龙虾图片并进行数据扩充,使用LableImage平台进行数据标注,在Darknet框架下进行网络模型训练,通过对比,模型最终性能均高于其他常见目标检测模型,其检测准确率达97.8%,平均检测时间为37 ms,表明该方法能够有效检测生产过程中的小龙虾质量。