共查询到16条相似文献,搜索用时 62 毫秒
1.
深度学习在水果品质检测与分级分类中的应用 总被引:1,自引:0,他引:1
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。 相似文献
2.
3.
4.
5.
6.
应用深度卷积神经网络的色织物缺陷检测 总被引:3,自引:0,他引:3
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。 相似文献
7.
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。 相似文献
8.
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。 相似文献
9.
10.
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. 相似文献
11.
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。 相似文献
12.
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。 相似文献
13.
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。 相似文献
14.
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。 相似文献
15.