CN112001901A - 基于卷积神经网络的苹果缺陷检测方法及系统 - Google Patents
基于卷积神经网络的苹果缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112001901A CN112001901A CN202010832982.6A CN202010832982A CN112001901A CN 112001901 A CN112001901 A CN 112001901A CN 202010832982 A CN202010832982 A CN 202010832982A CN 112001901 A CN112001901 A CN 112001901A
- Authority
- CN
- China
- Prior art keywords
- apple
- defect detection
- neural network
- convolutional neural
- image data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 58
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 13
- 238000011176 pooling Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 abstract description 9
- 241001164374 Calyx Species 0.000 abstract description 4
- 241000220225 Malus Species 0.000 description 62
- 238000010586 diagram Methods 0.000 description 11
- 235000021016 apples Nutrition 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 235000010724 Wisteria floribunda Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于卷积神经网络的苹果缺陷检测方法及系统，属于水果缺陷检测技术领域，所述方法包括以下步骤：获取苹果的图像数据；对获取的图像数据进行预处理；将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素；本公开降低了花梗和花萼对缺陷检测精确度的影响，能够实现苹果的高效和准确的缺陷识别。
Description
技术领域
本公开涉及水果缺陷检测技术领域，特别涉及一种基于卷积神经网络的苹果缺陷检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
在苹果的生长过程中，经常会受到各种因素的影响导致苹果表面出现缺陷，从而影响苹果的外观，甚至使其丧失了可食性，极大地影响了苹果的品质和销售。由此可见，对新鲜苹果的表面缺陷检测显得尤为重要。传统的检测方法大多是人工操作，耗时耗力，而且效率低，无法满足大规模生产的需求。因此，研究人员开始寻求开发研制一种快速、无损、高效的苹果表面缺陷检测方法以实现快速的苹果分级。
本公开发明人发现，由于苹果的果梗和花萼部分的影响，对缺陷部分的分割和识别存在较大的干扰，采用传统的机器学习方法不能够达到很好的识别效果；而且采用传统的机器学习方法必须分割出缺陷区域，人工提取特征后再交给分类器进行检测，检测效率和准确度较低。
发明内容
为了解决现有技术的不足，本公开提供了一种基于卷积神经网络的苹果缺陷检测方法及系统，降低了花梗和花萼对苹果缺陷检测精确度的影响，能够实现苹果的高效和准确的缺陷识别。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种基于卷积神经网络的苹果缺陷检测方法。
一种基于卷积神经网络的苹果缺陷检测方法，包括以下步骤：
获取苹果的图像数据；
对获取的图像数据进行预处理；
将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
本公开第二方面提供了一种基于卷积神经网络的苹果缺陷检测系统。
一种基于卷积神经网络的苹果缺陷检测系统，包括：
数据获取模块，被配置为：获取苹果的图像数据；
预处理模块，被配置为：对获取的图像数据进行预处理；
缺陷检测模块，被配置为：将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于卷积神经网络的苹果缺陷检测方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于卷积神经网络的苹果缺陷检测方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质及电子设备，通过对获取的图像进行预处理，有效的去除了苹果背景的影响，避免了花梗和花萼对苹果缺陷检测带来的影响，极大的提高了苹果缺陷检测的准确度。
2、本公开所述的方法、系统、介质及电子设备，采用OTSU法(最大类间方差法)得到分割阈值，根据设定的阈值进行二值化处理，并采用形态学操作得到苹果图像的掩膜，再与苹果原图相乘以去除背景，进一步的避免了背景的感染对缺陷检测的影响。
3、本公开所述的方法、系统、介质及电子设备，通过采用平移、缩放、旋转、翻转等方式对训练数据进行了扩容，通过少量的数据即可实现卷积神经网络模型的训练，避免了大规模的数据采集，降低了成本，提高了效率。
4、本公开所述的方法、系统、介质及电子设备，预设卷积神经网络模型包括依次连接的输入层、第一卷积层、第一激活函数层、第一池化层、第二卷积层、第二激活函数层、第二池化层、第三卷积层、第三激活函数层、第三池化层、第一全连接层、第四激活函数层、第二全连接层、分类器和输出层，通过各层的依次设计及每层的参数设计，进一步的提升了苹果缺陷检测的准确度。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的基于卷积神经网络的苹果缺陷检测方法的流程示意图。
图2为本公开实施例1提供的采集到的部分苹果原始图像的效果图。
图3为本公开实施例1提供的图像预处理后的部分图像的效果图。
图4为本公开实施例1提供的数据扩容后的部分图像的效果图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种基于卷积神经网络的苹果缺陷检测方法，包括以下步骤：
获取苹果的图像数据；
对获取的图像数据进行预处理；
将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
详细的，包括以下内容：
S1：图像采集；
S2：图像预处理；
S3：数据集扩容；
S4：构建卷积神经网络模型；
S5：模型训练测试。
S1中，图像训练数据的采集中，采用白色背景，将苹果放置于白纸上，在室内照明的环境下采用智能手机摄像头13Mp分辨率下分别采集缺陷果和无缺陷果两种类别。
S2中，图像预处理包括：OTSU算法去除苹果背景，并调整图像分辨率大小为100*100像素。
步骤如下：
S2.1：将RGB模型转换为HSI颜色模型，提取S分量灰度图(M*N)用于阈值分割，颜色模型转换公式为：
其中，
S2.2：记目标和背景的分割阈值为T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。
图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，有：
g＝ω0*(μ0-μ)2+ω1*(μ1-μ)2 (4)
采用循环遍历的方法得到最大的类间方差，其对应的T即为分割阈值。
S2.3：根据设定的阈值进行二值化处理，并采用形态学操作得到苹果图像的掩膜，再与苹果原图相乘即可去除背景，最后将苹果分辨率设置为100×100像素。
S3中，数据集扩容采用平移、缩放、旋转、翻转等手段，通过人工神经网络数据库Keras来实现。
S4中，卷积神经网络模型主要包括输入层、卷积层、激活函数层、池化层、全连接层等共15层，具体结构如下：
(1)输入层：输入训练数据(100×100×3)，并对数据进行归一化处理，将像素值大小映射到[0，1]区间；
(2)卷积层1：采用32个5×5的卷积核，stride为[1 1]，padding为[2 2 2 2]；
(3)激活函数层1：采用Relu函数；
(4)池化层1：采用3×3的MaxPooling，stride为[2 2]，padding为[0 0 0 0]；
(5)卷积层2：采用32个5×5的卷积核，stride为[1 1]，padding为[2 2 2 2]；
(6)激活函数层2：采用Relu函数；
(7)池化层2：采用3×3的MaxPooling，stride为[2 2]，padding为[0 0 0 0]；
(8)卷积层2：采用64个5×5的卷积核，stride为[1 1]，padding为[2 2 2 2]；
(9)激活函数层3：采用Relu函数；
(10)池化层3：采用3×3的MaxPooling，stride为[2 2]，padding为[0 0 0 0]；
(11)全连接层1：400个神经元；
(12)激活函数层4：采用Relu函数；
(13)全连接层2：2个神经元；
(14)分类器：Softmax分类器；
(15)输出层。
本实施例提供的卷积神经网络模型的训练是在Windows10系统下，采用matlab2018a完成的。采用GeForce GT×1650显卡，CUDA驱动版本为10.0。将数据集按照6：2：2的比例分为训练集、验证集、测试集用于模型的训练和测试。
下面以某地区的富士苹果为例进行介绍，具体再在Matlab2018a软件环境下操作完成。
执行步骤S1，将苹果人工分为缺陷果和无缺陷果，并分别采集两种类别的苹果图像作为实验的样本数据，共采集缺陷果和无缺陷果各312幅，共计624幅图片。如图2所示为采集到的原始图像。
执行步骤S2，去除苹果背景，并将图片分辨率设置为100*100，如图3所示。
执行步骤S3，通过随机采用平移、缩放、旋转、翻转等手段来实现数据集扩容，图3中图片扩容后部分图片如图4所示，扩容后的数据集共计6240幅图片。
执行步骤S4，构建卷积神经网络结构，如表1所示为卷积神经网络的结构。
表1：卷积神经网络结构。
执行步骤S5，将数据按照6：2：2的比例分为训练集、验证集和测试集用于网络模型的训练和测试，如表2所示。
表2：数据集分类结果。
通过多次训练观察验证集的表现，超参数的最终设置为：MaxEpoch为40，BatchSize为128，LearnRate为常量0.0001，采用动量随机梯度下降法。训练结束的标志为验证集准确率5次不再发生变化，最终迭代次数为812次。训练和验证结果如表3所示。将最终的模型用于测试集对1248幅图片进行检测，准确率可达99.20％。
表3：训练和验证结果。
实施例2：
本公开实施例2提供了一种基于卷积神经网络的苹果缺陷检测系统，包括：
数据获取模块，被配置为：获取苹果的图像数据；
预处理模块，被配置为：对获取的图像数据进行预处理；
缺陷检测模块，被配置为：将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
所述系统的工作方法与实施例1提供的基于卷积神经网络的苹果缺陷检测方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于卷积神经网络的苹果缺陷检测方法中的步骤，所述步骤为：
获取苹果的图像数据；
对获取的图像数据进行预处理；
将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
详细步骤与实施例1提供的基于卷积神经网络的苹果缺陷检测方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于卷积神经网络的苹果缺陷检测方法中的步骤，所述步骤为：
获取苹果的图像数据；
对获取的图像数据进行预处理；
将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
详细步骤与实施例1提供的基于卷积神经网络的苹果缺陷检测方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的苹果缺陷检测方法，其特征在于，包括以下步骤：
获取苹果的图像数据；
对获取的图像数据进行预处理；
将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
2.如权利要求1所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，将获取的图像数据由RGB模式转换为HSI颜色模式，提取S分量灰度图用于阈值分割。
3.如权利要求1所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，最大类间方差法去除苹果背景，包括：
属于前景的像素点数占整幅图像的比例记为第一比例，平均灰度为第一灰度；背景像素点数占整幅图像的比例为第二比例，平均灰度为第二灰度，图像的总平均灰度为第三灰度；
根据第一比例、第一灰度、第二比例、第二灰度和第三灰度得到类间方差；
采用循环遍历的方法得到最大的类间方差，最大的类间方差对应的阈值为分割阈值；
根据得到的分割阈值进行二值化处理，并采用形态学方式得到苹果图像的掩膜，再与苹果原图相乘去除苹果背景。
4.如权利要求3所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，第一灰度与第三灰度的差的平方与第一比例的乘积为第一变量，第二灰度与第三灰度的差的平方与第二比例的乘积为第二变量，第一变量和第二变量的和为类间方差。
5.如权利要求3所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，图像中像素的灰度值小于分割阈值的像素个数记作第一数量，像素灰度大于分割阈值的像素个数记作第二数量；
第一比例为第一数量与S分量灰度图的行数和列数的乘积的比值，第二比例为第二数量与S分量灰度图的行数和列数的乘积的比值，第一数量与第二数量的加和等于S分量灰度图的行数和列数的乘积；
第一比例和第二比例的加和为1，总平均灰度为第一比例与第一灰度的乘积同第二比例和第二灰度的乘积的加和。
6.如权利要求1所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，在卷积神经网络的训练过程中，对训练数据集进行至少扩容，扩容方式至少包括平移、缩放、旋转和翻转中的一种。
7.如权利要求1所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，所述预设卷积神经网络模型包括依次连接的输入层、第一卷积层、第一激活函数层、第一池化层、第二卷积层、第二激活函数层、第二池化层、第三卷积层、第三激活函数层、第三池化层、第一全连接层、第四激活函数层、第二全连接层、分类器和输出层。
8.一种基于卷积神经网络的苹果缺陷检测系统，其特征在于，包括：
数据获取模块，被配置为：获取苹果的图像数据；
预处理模块，被配置为：对获取的图像数据进行预处理；
缺陷检测模块，被配置为：将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于卷积神经网络的苹果缺陷检测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于卷积神经网络的苹果缺陷检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010832982.6A CN112001901A (zh) | 2020-08-18 | 2020-08-18 | 基于卷积神经网络的苹果缺陷检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010832982.6A CN112001901A (zh) | 2020-08-18 | 2020-08-18 | 基于卷积神经网络的苹果缺陷检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112001901A true CN112001901A (zh) | 2020-11-27 |
Family
ID=73473332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010832982.6A Pending CN112001901A (zh) | 2020-08-18 | 2020-08-18 | 基于卷积神经网络的苹果缺陷检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001901A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541931A (zh) * | 2020-12-09 | 2021-03-23 | 山东师范大学 | 一种基于U-Net网络的青苹果图像分割方法及系统 |
| CN112697984A (zh) * | 2020-12-11 | 2021-04-23 | 河北工业大学 | 基于神经网络的水果缺陷无损检测方法及水果分级方法 |
| CN113269720A (zh) * | 2021-04-16 | 2021-08-17 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
| CN113269251A (zh) * | 2021-05-26 | 2021-08-17 | 安徽唯嵩光电科技有限公司 | 基于机器视觉和深度学习融合的水果瑕疵分类方法、装置、存储介质及计算机设备 |
| CN116797544A (zh) * | 2023-05-16 | 2023-09-22 | 绿萌科技股份有限公司 | 一种面向果蔬采后处理装备的表面缺陷提取方法 |
| CN116797446A (zh) * | 2022-03-17 | 2023-09-22 | 中国移动通信有限公司研究院 | 一种数据处理方法、装置及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
| CN110276386A (zh) * | 2019-06-11 | 2019-09-24 | 济南大学 | 一种基于机器视觉的苹果分级方法及系统 |
| CN110473194A (zh) * | 2019-08-12 | 2019-11-19 | 西南大学 | 基于多图像块阈值分割算法的水果表面缺陷检测方法 |
-
2020
- 2020-08-18 CN CN202010832982.6A patent/CN112001901A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108631727A (zh) * | 2018-03-26 | 2018-10-09 | 河北工业大学 | 一种基于卷积神经网络的太阳能电池板缺陷识别方法 |
| CN110276386A (zh) * | 2019-06-11 | 2019-09-24 | 济南大学 | 一种基于机器视觉的苹果分级方法及系统 |
| CN110473194A (zh) * | 2019-08-12 | 2019-11-19 | 西南大学 | 基于多图像块阈值分割算法的水果表面缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 于蒙 等: "基于图像识别的苹果等级分级研究", 《自动化与仪表》, vol. 34, no. 7, pages 2 * |
| 刘云 等: "基于卷积神经网络的苹果缺陷检测算法", 《电子测量技术》, vol. 40, no. 3, pages 2 - 5 * |
| 王立扬 等: "基于改进型LeNet-5的苹果自动分级方法", 《中国农机化学报》, vol. 41, no. 7, pages 191 * |
| 王艳 等: ""基于遗传算法和阈值分割的夜间苹果识别方法"", 《机械设计与研究》, vol. 36, no. 3, pages 2 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112541931A (zh) * | 2020-12-09 | 2021-03-23 | 山东师范大学 | 一种基于U-Net网络的青苹果图像分割方法及系统 |
| CN112697984A (zh) * | 2020-12-11 | 2021-04-23 | 河北工业大学 | 基于神经网络的水果缺陷无损检测方法及水果分级方法 |
| CN113269720A (zh) * | 2021-04-16 | 2021-08-17 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
| CN113269720B (zh) * | 2021-04-16 | 2024-02-02 | 张家港华程机车精密制管有限公司 | 一种直缝焊管的缺陷检测方法、系统和可读介质 |
| CN113269251A (zh) * | 2021-05-26 | 2021-08-17 | 安徽唯嵩光电科技有限公司 | 基于机器视觉和深度学习融合的水果瑕疵分类方法、装置、存储介质及计算机设备 |
| CN116797446A (zh) * | 2022-03-17 | 2023-09-22 | 中国移动通信有限公司研究院 | 一种数据处理方法、装置及设备 |
| CN116797446B (zh) * | 2022-03-17 | 2024-09-24 | 中国移动通信有限公司研究院 | 一种数据处理方法、装置及设备 |
| CN116797544A (zh) * | 2023-05-16 | 2023-09-22 | 绿萌科技股份有限公司 | 一种面向果蔬采后处理装备的表面缺陷提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112001901A (zh) | 基于卷积神经网络的苹果缺陷检测方法及系统 | |
| CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN111667455B (zh) | 一种刷具多种缺陷的ai检测方法 | |
| CN105654066A (zh) | 一种车辆识别方法及装置 | |
| US20220067916A1 (en) | Neural network training device, system and method | |
| CN109522924A (zh) | 一种基于单张照片的阔叶林树种识别方法 | |
| CN110942144B (zh) | 集自动化训练、校验、重构于一体的神经网络构建方法 | |
| CN115841447A (zh) | 一种磁瓦表面缺陷的检测方法 | |
| CN111914902B (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
| CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
| CN112085017A (zh) | 基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法 | |
| Deulkar et al. | An automated tomato quality grading using clustering based support vector machine | |
| CN113763384B (zh) | 工业质检中的缺陷检测方法、缺陷检测装置 | |
| CN114972216A (zh) | 一种纹理表面缺陷检测模型的构建方法及其应用 | |
| CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
| CN113076873A (zh) | 一种基于多阶段训练的农作物病害长尾图像识别方法 | |
| CN113160136A (zh) | 一种基于改进Mask R-CNN的木材缺陷识别和分割方法 | |
| CN114863189A (zh) | 一种基于大数据的图像智能识别方法 | |
| CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
| CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 | |
| Jayanthi et al. | Fruit quality inspection system using image processing | |
| CN111507945A (zh) | 一种使用无缺陷图训练深度学习缺陷检测模型的方法 | |
| CN106846366B (zh) | 使用gpu硬件的tld视频运动目标跟踪方法 | |
| CN113780335B (zh) | 一种小样本商品图像分类方法、装置、设备及存储介质 | |
| CN113139932B (zh) | 一种基于集成学习的深度学习缺陷图像识别方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |