基于改进的ResNeXt网络的苹果外观品质检测应用研究
我国苹果产量与种植面积占全世界一半以上,但规模化苹果外观品质检测分级依然停留在传统的机器式分拣和人工分拣的基础上,存在分级标准不统一,分级质量难以保证等问题,因此,如何提高苹果外观品质检测分级效率和准确率是提高我国苹果国际市场竞争力的关键。图像处理技术在面部识别、医疗诊断等领域已经得到广泛应用,但图像处理技术在苹果外观品质检测应用较少,本研究参考农村农业部发布的《红富士苹果等级划分标准》,实现基于深度学习的红富士苹果外观品质检测,其主要研究内容如下: (1)实施了苹果图像的采集与预处理,构建了外观图像数据集。参考国内行业标准对采购的苹果人工划分为特级果、一级果、二级果和坏果。利用图像采集设备固定距离和焦距,以果径为半径,依次旋转120。从三个不同角度对苹果拍照,获取有效样本642个,共计1926张图片。通过图像预处理并对数据集扩充,构建了苹果外观图像数据集。 (2)分析对比了经典卷积神经网络在苹果外观品质等级分类任务上的性能表现。基于已构建的苹果外观数据集进行训练和识别,采用经典卷积神经网络中的MobileNet、ShuffleNet与ResNeXt进行实验对比,通过对比各网络中准确率、损失率等指标确定性能最优网络为ResNeXt。 (3)对ResNeXt模型结构和细节进行优化,提高模型性能。针对ResNeXt在数据集训练和识别中存在的部分设计缺陷进行了修正,引入迁移学习加速网络模型的训练速度,改善模型的识别效果。结合苹果外观等级分类具体任务,在激活函数、数据标准化等方面实施改进,提出了基于ResNeXt改进的Pr-ResNeXt网络。实验表明,Pr-ResNeXt在数据集识别上准确率达99.424%,损失率为0.612%,提升了基于卷积神经网络的苹果外观品质检测模型的性能。 本研究提出的Pr-ResNeXt不仅在执行速度上有所提升,其准确率也表现优异,该方法可以延展到其他水果或农产品外观品质检测,具备一定的实用性和扩展性。
苹果外观检测;图像预处理;卷积神经网络;迁移学习
河南科技学院
硕士
农业工程与信息技术
高国红;孙傲冰;曲培新;王建平;白林峰
2022
中文
TP391.41
2022-10-26(万方平台首次上网日期,不代表论文的发表时间)