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...     

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FPGA的快速樱桃缺陷检测与识别系统设计

为使樱桃缺陷检测与识别系统满足实时性的要求,提出以卷积神经网络模型为基础,使用SDSoC开发平台,完成FPGA对樱桃缺陷进行快速检测与识别系统的设计。通过优化数据传输,复用网络模型中通用矩阵乘法函数(GEMM)和对卷积操作进行并行化设计,实现PL端硬件加速。利用SDSoC平台,在PS端使用高级语言映射卷积神经网络模型,在实现所需性能的同时大量节省了开发时间。结果表明,与纯软件方式相比,基于Zynq7020硬件开发平台,速度提高了2.19倍以上,与CPU平台相当。     

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低,小目标检测较困难的问题,提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制,使模型聚焦于图像中的关键信息,改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能,其中引入CBAM模块后提升幅度最明显,较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

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YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。     

基于改进残差网络的红枣缺陷检测分类方法研究

提出了一种基于深度残差网络对红枣表面缺陷以及纹理识别的分类算法,将红枣RGB彩色图的G分量图进行预处理后得到的特征图作为网络的输入,采用残差学习的方式扩大神经网络的学习深度,并将残差神经网络的激活函数Relu替换为SELU,对损失函数softmax loss用center loss进行替换,训练时引入Dropout层降低网络过拟合风险,解决了随着学习深度加深网络中梯度弥散和爆炸的现象。研究结果表明:该分类方法准确率达96.11%,检测效率约为120个/min。     

玛瑙樱桃与早美樱桃营养成分比较研究

为探究中国樱桃品种玛瑙樱桃与大樱桃品种美早樱桃营养成分之间的差异,对其含水量、核肉比、脂肪、总糖、可溶性糖、总酸、氨基酸、微量元素、黄酮种类及含量、脂肪酸种类及含量等指标进行检测比较。结果表明:玛瑙樱桃的含水量、核肉比、脂肪、总糖、可溶性糖含量高于美早樱桃,美早樱桃的总酸含量高于玛瑙樱桃;玛瑙樱桃和美早樱桃中水解氨基酸含量分别为17.725、18.796 mg/g;玛瑙樱桃的铁含量约为美早樱桃的6倍;两种樱桃中总黄酮的含量分别为37.88%、39.18%,其中美早樱桃中矢车菊素3-O葡萄糖苷含量为玛瑙樱桃的2.43倍;玛瑙樱桃和美早樱桃中脂肪含量分别为0.51%、0.47%,两种樱桃中辛酸、亚油酸、亚麻酸含量较高。玛瑙樱桃酸甜适中,出汁率高,适合用于樱桃饮料等产品加工;美早樱桃黄酮类化合物含量高,具有较高的保健作用。     

基于同态滤波和改进K-means的苹果分级算法研究

针对苹果在分级的过程中,光线不均所导致的表面反光和阴影问题,利用同态滤波和改进的K-means算法予以解决。同态滤波前,将苹果图像由RGB空间转换到HSV空间,再对HSV空间的V分量进行同态滤波增强,最大限度地削弱光线不均带来的影响;对传统K-means聚类算法,新增加距离度量方法、确定聚类数目和初始中心点,能较好地去除苹果阴影对图像分割的影响。从大小、果形、质量、颜色、缺陷5个方面对陕北富县的秦冠苹果进行分级,分级成功率达到97%。利用同态滤波算法结合改进的K-means算法来对苹果图像进行处理,能够大大提高苹果分级的准确性。     

基于改进ELM和计算机视觉的核桃缺陷检测

目的：解决现有食品生产企业在核桃缺陷检测中存在的准确性低和效率差等问题。方法：提出一种结合改进极限学习机和计算机视觉的核桃缺陷快速无损检测方法。通过计算机视觉采集核桃大部分表面图像信息,通过高斯滤波对图像进行预处理,通过迭代和保留信息变量法对颜色和纹理特征进行优化,最后,通过改进蝴蝶算法对极限学习机参数（随机权重和偏差）进行优化,实现核桃缺陷快速无损检测,并对所提缺陷检测方法的性能进行验证。结果：试验方法可以实现核桃多种缺陷的有效判别。与常规方法相比,试验方法在核桃缺陷检测中具有更优的检测准确率和效率,检测准确率＞98.00%,平均检测时间＜9.00 ms。结论：将智能算法和机器视觉技术相结合可以实现核桃缺陷的快速无损检测。     

基于改进的GoogLeNet鸭蛋表面缺陷检测

文章提出了一种基于改进的GoogLeNet(GoogLeNet-Mini)的鸭蛋表面缺陷检测方法,并对比其他3种神经网络GoogLeNet、VGG16和AlexNet.结果表明,4种网络的测试集准确率分别为95.88％,94.16％,92.75％,85.43％.GoogLeNet-Mini对测试集3类鸭蛋(正常、脏污、...     

一种新的纹理图像特征提取的方法

灰度图像的纹理反映了一个区域中像素灰度级及其局部变化的空间分布属性，用图像的局部统计特征能较好地刻画不同纹理的差异。基于这种思想，本文中首次提出了一种基于PCNN点火序列图的纹理图像特征提取的新方法。通过对PCNN的运行行为和基本特性的分析。指出PCNN的点火时刻序列图不仅包含了局部图像的灰度分布信息，更重要的是还包含了图像中相邻像素之间的几何信息，这恰是纹理图像的个性特征所在，最后给出了部分仿真实验的结果，以验证该方法的有效性。     

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。