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%,有无果梗判定准确率为90.57%,基于深度学习的关键点回归检测方法能够有效检测樱桃尺寸和有无果梗,具有较高的准确率,检测速度为33 fps,能够满足实时性需求。     

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。