基于改进Tiny-YOLOv5l算法的串型番茄定位与计数

目的:提高串型番茄分拣效率,减少误检、错检。方法:采集串型番茄图像数据集,通过数据增强扩充数据并提高模型的泛化性能,将YOLOv5l框架内的Bottleneck层中的3×3卷积替换为改进的SVM-MHSA层,通过将MHSA中softmax分类函数替换为更适用于串型番茄的SVM分类函数;将检测框架中剩余3×3卷积替换为深度可分离卷积,引入随机纠正线性单元提高网络训练收敛速度。结果:改进后的Tiny-YOLOv5l模型可有效实现串型单果识别定位、整串果实计数,检测框损失率由1.48%降低至1.34%,目标损失率由1.98%降低至1.73%,置信度损失降低了1.4%,精度由97.36%提升至98.89%,召回率由97.35%提升至98.56%。结论:Tiny-YOLOv5l算法更加精准且兼具轻量化,面对遮挡、背景干扰、光照变化、虚化等挑战具有较高的识别准确率,可为产后串型番茄分拣人员提供准确的单果位置信息以及整串果实数量信息。     

基于机器视觉的鲍鱼风味片残次品在线检测方法

目的:解决鲍鱼风味片在生产过程中出现的边缘残损、内部气孔以及皮料厚度不均匀等外观缺陷自动化检测问题。方法:提出了一种基于机器视觉的在线检测方法。利用机械梳理装置将鲍鱼风味片整理成单层阵列排布;采集图像后,选择图像分割、灰度值拉伸、轮廓边缘提取等方法进行图像处理;利用外轮廓圆形度特征完成边缘残损检测,通过测量皮料厚度完成皮厚异常检测,通过计算气孔面积,完成气孔检测。结果:该在线检测方法对边缘完整度缺陷的检出率为100%,皮厚度异常缺陷检出率为100%,气孔缺陷的检出率为98.65%。结论:该方法具有较好的应用性,能够实现鲍鱼风味片残次品的在线检测。     

基于深度学习的香蕉成熟度自动分级

目的:快速、准确分类香蕉成熟度。方法:采集不同成熟度的香蕉图像并建立图库,利用多种神经网络作为分类器提取香蕉特征,通过迁移学习对香蕉6个成熟度等级进行分类,并对最适合进行香蕉成熟度分类的网络模型进行改进,设计简易香蕉成熟度实时检测界面,最后验证模型的可行性和实用性。结果:AlexNet模型最适合用于香蕉成熟度分类,准确率最高,可达到95.56%;通过修改其全连接层结构改进AlexNet模型,模型准确率再提升1.11%。结论:AlexNet模型可快速准确识别并分类不同成熟度的香蕉。     

基于深度学习卷积神经网络的花生籽粒完整性检测

目的:准确区分完整花生、果仁破损花生和表皮破损花生。方法:提出了一种基于深度学习卷积神经网络(CNN)的花生籽粒完整性检测方案。搭建了花生籽粒色选系统,建立了花生籽粒图像库;利用改进的密度峰值聚类(DPC)算法对CNN卷积核进行自适应压缩,有效平衡网络深度和运算效率;采用改进的麻雀搜索算法对CNN超参数配置和网络结构进行优化,得到适用于花生籽粒完整性检测的CNN模型。结果:相比于DL-CNN、CO-Net等检测方法,该方案识别准确率提高了5.41%~13.92%,花生籽粒单幅图像检测时间缩短了约16.9%。结论:该方法可有效提高花生籽粒完整性检测的准确率和实时性。     

改进的YOLOv5蛋类缺陷自动检测模型

目的:解决现有蛋类缺陷图像自动检测方法存在的检测效率低、精度差等问题。方法:在蛋类检测系统的基础上,提出一种改进的YOLOv5自动检测模型。将轻量级网络MobileNetv3添加到YOLOv5模型中,以降低模型复杂度,删除颈部网络和输出端小目标检测。结果:与传统的控制方法相比,该方法能够更准确、高效地实现蛋类目标表面缺陷检测,复杂度降低了35%以上,单幅图像的检测时间为14.25 ms,检测准确率＞95%,满足食品缺陷检测的需要。结论:改进的YOLOv5检测模型可以有效提高蛋类缺陷检测效率。     

基于机器视觉的磨粉机轧距监测系统研究

目的:实现磨粉机磨辊轧距的实时监测。方法:采用CCD工业相机采集轧距图片,利用阈值分割、形态学方法对采集的灰度图像进行预处理操作,再利用边缘检测算法并结合MATLAB软件和数学运算剔除边缘无关点,最终计算出磨粉机的轧距。通过比较塞尺测量轧距值与系统监测值,验证系统的可行性和准确性。结果:稳定状态下该在线监测系统的数据波动幅度为0.001~0.002 mm,增速状态下波动幅度较大,为0.001~0.005 mm。结论:该系统可实时测量磨辊轧距。     

婴幼儿辅助食品中矿物油的污染水平及其健康影响评估

目的 了解我国婴幼儿辅助食品中烃类矿物油的污染水平,并评估其对我国0～3岁婴幼儿消费人群的潜在健康影响。方法 采用在线高效液相-气相色谱法检测饱和烃矿物油（MOSH）和芳香烃矿物油（MOAH）的含量。结合2015年中国居民食物消费量数据,采用简单分布法对我国0～3岁婴幼儿矿物油膳食暴露开展风险评估。结果 4类（罐装辅助食品、米粉、面条、饼干或磨牙棒）共计138份市售婴幼儿辅助食品中,MOSH（C16～C35）的总检出率为45.65%,在各类辅食中平均污染水平范围为0.55～4.40 mg/kg。MOAH仅在1个面条样品和4个饼干或磨牙棒样品中检出,总检出率为3.62%。我国0～3岁婴幼儿辅食消费人群MOSH（C16～C35）每日平均暴露量及高食物消费量人群（P95）暴露量分别为6.21和19.27 μg/kg·BW,各年龄组暴露限值均大于100。结论 我国0～3岁婴幼儿经辅食中MOSH膳食暴露导致的健康风险很低。需要关注婴幼儿辅食中MOAH的污染。     

基于线激光扫描的鱼类定量切段方法

目的:实现鱼类制品前处理加工鱼肉定量切段机械化.方法:利用线激光扫描得到的鱼体轮廓数据和鱼体重量随体长的分布数据,并据此构建鱼体定重切段和等重切段的定量化分切模型,通过试验验证方法的有效性和准确性.结果:鱼体重量分布模型的预测精度＞91%;给定段重为10,15,20g时的平均绝对误差分别为0．16,0．38, 1．15g;给定段数为10,15,20段时的平均绝对误差分别为 2．44,1．35,0．67g.结论:定重切段时,切割误差随给定重量增大而提高;等重切割时,给定段数越少,切割误差越大,该方法可满足实际生产中定量切段加工精度要求.     

基于激光诱导击穿光谱技术结合机器学习算法的3种干腌火腿产地识别

火腿种类多,产地不同。本文采用激光诱导击穿光谱技术(LIBS)结合机器学习算法鉴别火腿原产地。采集16个火腿切片样品(4个如皋火腿样品、5个金华火腿样品、7个宣威火腿样品)的LIBS光谱数据,应用K近邻(KNN)、支持向量机(SVM)以及全连接神经网络(DNN)对火腿样品产地进行分类。采用主成分分析(PCA)对火腿样品的光谱数据降维处理,然后,分别结合KNN和SVM算法对样品进行分类,并研究对建模速度和预测准确率的影响。结果表明:KNN和SVM在结合PCA后,建模分析时间大幅减少;KNN、 PCA+KNN、 SVM、 PCA+SVM 4种分类方法的平均正确率分别为70.53%,73.50%,79.53%,80.42%,使用PCA结合KNN和SVM时分类准确率有小幅度的提高;使用DNN对火腿样品进行分类,正确率最高达85.56%,相比于KNN和SVM,DNN对火腿LIBS光谱数据具有更高的分类正确率。结论:用LIBS结合机器学习算法区分不同产地的火腿样品是可行的.     

基于机器视觉技术的罗非鱼去鳞率无损快速在线检测系统

目的:提高罗非鱼加工质量和效率、提升产品附加值.方法:利用鱼鳞、鱼皮在紫外激发下的荧光响应差异构建基于机器视觉技术的罗非鱼去鳞率快速检测系统. 罗非鱼鱼体图像经预处理、背景分割、ROI区域选取、未去鳞区域快速识别等算法处理后得到未去鳞和去鳞区图像,计算去鳞率并测试系统检测精度.结果:系统的去鳞率检测精度范围为90．18%~94．14%.结论:该系统可实现被测罗非鱼样品的自动输送、检测图像自动触发与采集和图像的快速处理并提高罗非鱼去鳞率检测效率,满足生产线检测要求.     

拉曼光谱结合模式识别方法鉴别大米种类

为实现大米种类准确、快速的鉴别,选购72份大米样品,粉碎,采集粒度为100-140目米粉的拉曼光谱,对谱图数据进行去噪、归一化和特征提取后,综合运用主成分分析（PCA）、层次聚类分析（HCA）和支持向量机（SVM）三种方法对粳米、籼米和糯米进行聚类与模式识别研究。三种大米经PCA分析可直观地归为三簇,籼米和糯米可被区分开,但粳米与糯米、粳米与籼米不能区分。HCA结果表明粳米与籼米较难区分,糯米与其它两种米有较大差异,三种大米经HCA聚类分析准确率为81.94%。而采用SVM判别方法经10次运行后的平均识别率达98.86%。实验证明：拉曼光谱法结合支持向量机用于大米种类的分类与识别简单快速,在分析数据相对复杂的情况下,可快速建立分类模型并实现大米种类间的鉴定与识别。     

基于红外衰减全反射光谱的面粉种类快速鉴别

研究提出基于支持向量机（support vector machine,SVM）算法结合红外衰减全反射光谱对不同种类的面粉进行快速分类。实验随机采集富强粉、精制雪花粉、麦芯粉及面包粉4 种共139 份常见面粉红外衰减全反射光谱,运用马氏距离筛选异常样本,并建立SVM模型对待测样本进行预测。实验采用二叉树SVM模型识别面粉种类,并通过网格法优化核函数参数,结果显示：富强粉、精制雪花粉、麦芯粉及面包粉的识别准确率分别为100%、100%、75%和85.71%,模型平均识别准确率为90.177 5%。结果表明,利用红外光谱结合SVM算法快速识别面粉种类是准确可行的。     

基于机器视觉与支持向量机的核桃外部缺陷判别分析方法

使用3CCD高精度面阵相机采集新疆多个品种核桃RGB图像,设计一种自适应双阈值的Otsu法,快速、准确地分割出缺陷区域;基于分割区域的几何、纹理等20 个初始特征,转换为新的9 维特征向量集;以该特征集为输入,建立基于贝叶斯、BP神经网络与支持向量机的15 个识别模型,对比评价其适应性,以及裂缝、碎壳、黑斑3 类核桃外部缺陷的识别性能与时间。结果表明,基于径向基的支持向量机识别模型效果最好,对3 类缺陷的验证集平均识别率分别为93.06%、88.31%、89.27%,对缺陷的总识别率为90.21%,平均识别时间为10－4 s级。研究成果能够用于今后核桃缺陷的在线检测与分级,同时也为坚果等其他作物品质的在线检测识别提供一定参考。     

基于红外与可见光图像融合的苹果表面缺陷检测方法

目的：解决目前中国苹果分级分类大部分情况下仍需要进行人工筛选的问题。方法：采用基于多尺度变换的红外与可见光图像融合算法对所采集到的苹果的可见光图像和红外图像进行融合,得到缺陷特征更加直观的融合图像,对该图像进行图像的预处理操作得到二值化图像数据集,再采用卷积神经网络的AlexNet模型对之前的苹果表面缺陷数据集进行训练、验证和检测。结果：该检测方法在所制作的苹果表面缺陷数据集上对完好果、缺陷果、花萼/果梗、花萼/果梗加缺陷识别的平均准确度为99.0%,其中对花萼/果梗的识别准确率可达95.8%,对完好果、缺陷果和花萼/果梗加缺陷的识别准确率高达100%。结论：该方法对苹果表面缺陷的检测精度比较高,可以满足对苹果的在线分级的需求。     

Effect of Wheat Bran,Coarse Wheat Flour,and Rice Flour on the Instrumental Texture of Cookies

Abstract

The effect of replacing wheat flour with wheat bran (0–10%), coarse wheat flour (0–20%) or with rice flour (0–20%) on the quality of cookies was studied. The cookie dough was subjected to Instrumental Texture Profile Analysis in order to determine dough cohesiveness and adhesiveness. After baking spread factor, puncture force and fracture strength of the cookies was also determined. The control dough had cohesiveness and adhesiveness values of 0.279 and 13.6 N s whereas control cookies had puncture force and fracture strength of 90.84 N and 100.16 N. Wheat bran increased dough cohesiveness and adhesiveness whereas coarse wheat flour had the opposite effect. Increasing levels of rice flour decreased cohesiveness but increased adhesiveness. Wheat bran and rice flour lowered the spread factor where as coarse wheat flour increased spread factor. Coarse wheat flour and rice flour lowered the fracture strength where as wheat bran increased fracture strength. Sensory evaluation revealed that increasing levels of wheat bran lowered the overall acceptability whereas rice flour and coarse wheat flour improved sensory scores.     

Identification of Lycium barbarum varieties based on hyperspectral imaging technique and competitive adaptive reweighted sampling-whale optimization algorithm-support vector machine

In order to distinguish different varieties of Lycium barbarum effectively, a fast nondestructive detection method based on hyperspectral imaging technology was proposed. Six varieties of L. barbarum were selected as the research objects to obtain hyperspectral images. With the whole L. barbarum taken as the object, the region of interest was obtained by threshold segmentation, and the average spectra value of the image points of a single L. barbarum was extracted as the spectral data of the sample. Initially, standard normalized variate was used to preprocess the original spectral data. Furthermore, compared with other methods, competitive adaptive reweighted sampling (CARS) was chosen to extract the characteristic wavelengths. Additionally, the model of support vector machine (SVM) was set. The results showed that the SVM model based on CARS had the best classification effect. The training set accuracy was 100%, and the prediction set accuracy was 85%. Finally, in order to improve the classification accuracy, the whale optimization algorithm (WOA) was introduced. The accuracy of training set and prediction set obtained by WOA-SVM model were 89.44 and 88.33% respectively. Therefore, it was feasible to use hyperspectral imaging technology combined with CARS-WOA-SVM model to identify different varieties of L. barbarum.     

基于高光谱成像技术的大米溯源研究

利用高光谱成像技术提取大米的光谱信息进行大米产地溯源研究。采用X-Y距离样本集算法（SPXY）进行训练集和测试集的划分,将1 000颗大米样本中800个为训练集,剩下200个为测试集。并采用主成分分析（PCA）法提取相关性较强的主成分光谱信息,进行数据降维。基于主成分分析法提取前4个主成分,并在贡献率最高的第4主成分基础上,结合支持向量机算法（SVM）建立大米产地溯源预测模型。研究得出训练集准确率可达96%,测试集平均准确率为79%。通过训练集和测试集的实验结果表明,高光谱成像技术可以对大米产地进行溯源,为大米产地快速、无损检测提供了一定思路和参考。     

Development of a machine vision system: real-time fabric defect detection and classification with neural networks

In this study, a machine vision system is developed to achieve fabric inspection and defect classification processes automatically. The system consists of an image acquisition hardware and an image processing software. A simple and portable system was designed so that it can be adapted easily to all types of the fabric inspection machines. The software of the system consists of defect detection and classification algorithms. The defect detection algorithm is based on wavelet transform, double thresholding binarization, and morphological operations. It was applied real time via a user interface prepared by using MATLAB^® program. The defect classification approach is based on gray level co-occurrence matrix and feed forward neural network. Five commonly occurring defect types, warp lacking, weft lacking, soiled yarn hole, and yarn flow, were detected and classified. The defective and defect-free regions of the fabric were detected with an accuracy of 93.4% and the defects are classified with 96.3% accuracy rate.