共查询到15条相似文献,搜索用时 406 毫秒
1.
目的:对纸质包装盒缺陷进行准确的识别与定位。方法:应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测。对训练集图片进行数据增强并添加噪声,提升模型的训练精度和鲁棒性;将特征提取网络替换为ResNet50,并融合特征金字塔网络(FPN),提高模型多尺度检测的能力;使用K-means++对数据集中缺陷尺度进行聚类,优化锚框方案。结果:改进后的Faster R-CNN模型在测试集上的平均准确率(AP)达到93.9%,检测速度达到8.65帧/s。结论:应用改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位,可应用于包装盒缺陷的自动检测与分拣。 相似文献
2.
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。 相似文献
3.
4.
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。 相似文献
5.
6.
为实现玉米籽粒品种的快速鉴别与保护,本文提出了基于改进MobileNetV2的玉米籽粒品种识别方法。采集了11种玉米籽粒图像共3938张,建立胚面与非胚面的双面混合数据集。按照7:2:1的比例随机划分训练集、验证集和测试集。对MobileNetV2网络模型进行微调改进,探讨全连接层数量与维度以及dropout的取值对模型性能的影响,并在此基础上解冻部分骨干网络,最终模型准确率达到0.9795,相较于基准模型准确率(0.9487)提高0.0308。试验结果表明,迁移学习时对基准模型微调是十分有必要的,可以有效提高模型准确率。本研究为玉米籽粒图像识别提供了新的建模方法,基于迁移学习,结合微调改进能够有效提升玉米籽粒图像分类的准确率。 相似文献
7.
目的:改善现有水果识别与分级方法依赖于人工操作和复杂设备的情况。方法:提出了一种轻量化模型YOLO-FFD(YOLO with fruit and freshen detection),该模型以YOLOv5框架为基础,基于深度可分离卷积和GELU激活函数设计轻量化模块LightweightC3作为主干特征提取网络的基本单元,减少模型参数量和计算量,加快模型的收敛速度;使用大内核深度可分离卷积模块EnhancedC3改进原模型的颈部,抑制信息丢失并增强模型的特征融合能力,提高模型的检测精度;采用GSConv代替特征融合网络中的普通卷积,使模型进一步轻量化。结果:提出模型的平均精度均值达到了96.12%,在RTX 3090上速度为172帧/s,在嵌入式设备Jetson TX2上速度为20帧/s。相比于原始YOLOv5模型,平均精度均值提高了2.21%,计算量减少了26%,在RTX 3090和Jetson TX2上的速度分别提高了2倍和1倍。结论:YOLO-FFD模型能够满足识别水果品种和新鲜度的需求,且在复杂场景下错检、漏检情况均有改善。 相似文献
8.
目的:以阿克苏苹果为例,设计一种联合图像最优特征提取和改进RBF神经网络学习的苹果质量估计方法,以克服人工分级称重成本高、误差大的缺陷。方法:首先,建立苹果图像采集系统,得到苹果前景图像信息;其次,设计苹果图像特征集合最佳子集提取策略,将最佳子集提取过程转化为目标函数优化问题,并利用改进的离散蝗虫优化算法进行求解,从而得到最佳苹果图像特征子集;最后,构建基于RBF神经网络学习的苹果质量估计模型,将最佳特征子集作为网络输入,并采用蝗虫优化算法优化配置RBF神经网络超参数,从而实现对苹果质量的有效估计。结果:所提苹果质量估计方法精度更高,质量估计值平均相对误差率为1.23%。结论:该方法可以有效实现苹果质量预估,也能够推广应用到其他类似轴对称形状的水果质量估计。 相似文献
9.
10.
为提高微孔同心分布喷丝板的检测效率,提出了一种基于改进蚁群算法的微孔检测路径规划方法。该方法针对传统蚁群算法收敛速度慢、易陷入局部最优等缺陷进行优化改进:重新定义微孔间的距离以适应典型喷丝板检测仪运动特点;采用最近邻法设定初始信息素浓度表使蚁群算法在相同的迭代次数等参数下求得更优的路径结果;通过路径尖端去除处理对蚁群算法的结果进一步优化,得到了优化的微孔检测路径。为验证算法的有效性,以典型的微孔同心分布喷丝板为算例进行检测路径的规划计算,结果表明:所提出的算法具有较快的收敛速度,优化所得路径与传统逐圈检测路径相比缩短路径长度约18%,可显著提高对应喷丝板的检测效率。 相似文献
11.
目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2 048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。 相似文献
12.
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。 相似文献
13.
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。 相似文献
14.
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。 相似文献