基于深度卷积神经网络的食品包装缺陷检测算法研究

在薯片流水线生产中，如果直接使用YOLOv5网络进行包装缺陷目标检测，精度不够高、训练时间偏长，于是提出了一种基于SENet-YOLOv5的食品包装缺陷目标检测方法。首先，从数据增强这一角度出发，改用了基于Canny边缘检测算法对数据进行处理。然后，在原先DarkNet-53主干网络中融合SENet网络，把重要的特征进行强化来提升准确率。其次，将3处传统卷积层替换为深度可分离卷积层，减少参数量和计算量，最后训练候选区域数据，从而精确地实现定位与分类缺陷。仿真训练结果得出：SENet-YOLOv5模型的检测精度与速度皆得到了提升，对薯片食品包装缺陷的检测准确率为94.6%,检测的平均精度均值(mAP)达到了94.8%,相较干YOLOv5算法提高了7.9个百分点，识别速度大幅度提升。表明所提SENet-YOLOv5缺陷检测方法可应用于薯愿包装检测以提高企业的工作效率。