CN113012244A - 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法 - Google Patents

基于Inception模块与Attention机制的鸡蛋新鲜度检测方法 Download PDF

Info

Publication number
CN113012244A
CN113012244A CN202110229221.6A CN202110229221A CN113012244A CN 113012244 A CN113012244 A CN 113012244A CN 202110229221 A CN202110229221 A CN 202110229221A CN 113012244 A CN113012244 A CN 113012244A
Authority
CN
China
Prior art keywords
egg
attention
network
samples
module
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
Application number
CN202110229221.6A
Other languages
English (en)
Inventor
陈昊然
杨文文
邹婕妤
戴旭东
刘晓晓
董沅表
黄琦
冯昌广
吴沛伦
胡旭光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Normal University CJNU
Original Assignee
Zhejiang Normal University CJNU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Normal University CJNU filed Critical Zhejiang Normal University CJNU
Priority to CN202110229221.6A priority Critical patent/CN113012244A/zh
Publication of CN113012244A publication Critical patent/CN113012244A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/59—Transmissivity
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Multimedia (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，包括三个Inception模块和CBAM模块，Inception模块和CBAM模块组合建立成一个GoogLeNet‑A鸡蛋新鲜度检测网络模型，CBAM模块包括通过采集的图像特征建立通道注意力映射和空间注意力映射，通道注意力映射使得神经网络能够分辨样本图片中什么是有意义的，更值得关注，而空间注意力映射补充了通道注意力中缺失的位置信息。该方法在扩大了样本数目的同时使用Inception模块优化网络结构，引入多尺度卷积对输入的图像特征自主学习获取需要的卷积核大小，同时该方法引入注意力机制对其分配自适应权值，使得网络关注点在蛋黄大小、气室直径比等与鸡蛋新鲜度相关的特征上，进一步提高网络准确性，建立了一个高精度的GoogLeNet‑A鸡蛋新鲜度检测网络模型。

Description

基于Inception模块与Attention机制的鸡蛋新鲜度检测方法
技术领域
本发明涉及简单检测方法技术领域，具体涉及一种基于Inception模块与Attention机制的鸡蛋新鲜度检测方法。
背景技术
目前，鸡蛋作为最常食用的禽蛋之一，其中含有大量的维生素以及矿物质，是良好的膳食营养来源。根据世界粮食与农业组织统计，2018年全球产蛋量超过一亿三千七百万公吨。鸡蛋在生产和消费的过程中若能做到按新鲜度分级论价，则既有利于生产经营者采取科学的管理方式保证鸡蛋及其副产品的品质，又能维护消费者的权益，保障食用者的身体健康。因此如何挑选一个优质的鸡蛋成为当下亟待解决的问题之一。目前普遍采用在暗室中使用照蛋器观察鸡蛋内部品质这一人工挑选的方式，这种方法效率低，判断结果多依据工人经验，主观性强，准确率不高。
从21世纪初，国内外学者针对鸡蛋新鲜度无损检测提出了不少研究，目前主要的研究方向有：基于机器视觉的无损检测，基于声学冲击特性的无损检测，基于光学特性的无损检测和基于介电特性的无损检测等。其中基于机器视觉的无损检测技术多采用提取鸡蛋内外部特征如鸡蛋重量、蛋黄大小、气室直径比等进行鸡蛋新鲜度检测。王巧华等通过使用BP神经网络构建鸡蛋的哈夫值与鸡蛋光信息参数模型，进行鸡蛋新鲜度无损检测与分级，检测准确率达89％。李新城等通过机器视觉技术，从鸡蛋透光图中分离蛋黄面积比、气室面积比、气室高度比与气室直径比4个特征参数并以其作为自变量，分别与鸡蛋哈夫值建立一元回归模型，进行鸡蛋新鲜度检测，其中蛋黄面积比与哈夫值拟合优度达到0.62。李佳婷等通过电子鼻响应信号，利用BP神经网络分析法建立了电子鼻响应信号和鸡蛋理化指标之间的关系模型，鸡蛋新鲜度检测准确率达到90.19％。刘艳等通过提取鸡蛋透光图像中气室大小、蛋黄大小和椭圆度三种特征建立鸡蛋新鲜度检测三元模型，模型相关系数达到了0.952。
上述研究表明，通过鸡蛋透光图片中气室直径比等特征参数与哈夫值的对应关系，建立鸡蛋新鲜度检测模型具有一定可行性。目前的研究中通常使用人工提取鸡蛋透光图特征的方法进行建模，这种建模方法图像预处理过程复杂，获取样本数目较小，存在很强的主观性。随着近年来深度学习的发展，卷积神经网络在图像分析和处理领域取得了众多突破性的进展，避免了对图像复杂的前期预处理过程，卷积、池化和填充操作代替了传统机器学习中对人工提取图像特征中存在的主观性。
卷积神经网络的性能提升多依赖于增加网络的深度以及隐含层神经元的数目，这样会导致更大的网络参数空间，使得网络更加容易引起过拟合、计算量过大、运行速度慢等问题。而且随着网络深度的增加，模型在建立过程中会出现梯度消失问题。解决上述问题的方法是引入稀疏特性和将全连接层转换成稀疏连接，即使用卷积代替全连接，然而硬件只针对密集矩阵进行优化导致了网络中不对称的稀疏数据计算效率低下。
为了解决上述问题，Christian Szegedy等人提出的Inception模块化结构，可以在有限的计算资源内，提升网络性能。
注意力模型(Attention Model)最初被用于机器翻译，现在已成为神经网络领域的一个重要概念。在人工智能领域，注意力通过注意部分场景,并有选择地专注于突出部分,可以更好地捕捉视觉结构，目前已成为神经网络结构的重要组成部分。由于卷积运算通过混合跨信道和空间信息来提取信息特征，Sanghyun Woo等人采用CBAM模块对两个独立的维度：通道和空间顺序推断出注意力映射,然后将注意力映射相乘为自适应特征细化的输入特征映射，进一步提升了卷积神经网络分类任务的性能。
发明内容
为了解决现有技术中存在的某种或某些技术问题，本发明提供一种基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，该方法在扩大了样本数目的同时使用Inception模块优化网络结构，引入多尺度卷积对输入的图像特征自主学习获取需要的卷积核大小，同时该方法引入注意力机制对其分配自适应权值，使得网络关注点在蛋黄大小、气室直径比等与鸡蛋新鲜度相关的特征上，进一步提高网络准确性，建立了一个高精度的GoogLeNet-A鸡蛋新鲜度检测网络模型。
为解决上述现有的技术问题，本发明采用如下方案：
基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：包括三个Inception模块和CBAM模块，多少所述Inception模块和CBAM模块组合建立成一个GoogLeNet-A鸡蛋新鲜度检测网络模型，所述CBAM模块包括通过采集的图像特征建立通道注意力映射和空间注意力映射，通道注意力映射使得神经网络能够分辨样本图片中什么是有意义，更值得关注，而空间注意力映射补充了通道注意力中缺失的位置信息，建立所述GoogLeNet-A鸡蛋新鲜度检测网络模型的步骤包括：
a、搭建鸡蛋透光图像采集系统，获取鸡蛋的透光图像；
b、通过透光图像显示内容剔除因储存导致破损、暗斑的鸡蛋；
c、从剩下的鸡蛋中随机挑选20个鸡蛋样本检测哈夫值，使用这20个鸡蛋的哈夫值代替所有样本；
d、使用鸡蛋透光图像采集系统采集鸡蛋透光图像样本；
e、采集的鸡蛋透射光图像颜色为黄接近红色，鸡蛋暗斑颜色为深红色，二者颜色对比度不高，对鸡蛋样本RGB空间中G分量进行4倍增强；之后利用插值算法将G增强的图像尺寸缩小为原样本的1/8以满足模型模型快速训练、测试；
f、通过旋转、翻转扩充数据集；
g、实验用AA级样本366张、A级样本402张和B级样本405张，从各个新鲜度样本中挑选43张(共计129张)作为测试样本，剩下共计1044张全部作为训练样本，并使用one-hot编码标签；
h、训练样本及其标签带入模型进行训练，使用随机梯度下降算法对权值进行更新，获得鸡蛋新鲜度检测模型，当误差或迭代次数达到阈值时训练停止；最后将测试样本代入训练好的网络，并得出检测结果。
进一步地，三个所述Inception模块中包含一个或多个1x1、3x3、1x3、3x1、1x7和7x1卷积核分支，多核结构能够对不同形态的鸡蛋进行特征提取和学习，同时这种多尺度卷积使得该模块中不再需要人工设计卷积核大小或者确定是否需要创建卷积层和池化层，减小了人为因素对网络的影响。
多核结构能够对不同形态的鸡蛋进行特征提取和学习，同时这种多尺度卷积使得该模块中不再需要人工设计卷积核大小或者确定是否需要创建卷积层和池化层，减小了人为因素对网络的影响。
进一步地，所述通道注意力映射的步骤包括：首先将图像特征平均池化和最大池化，然后通过同一个MLP网络结构，最后将特征的对应元素相加后由Sigmoid函数激活后得到通道注意力映射。通过通道注意力映射把卷积得到的图像特征在通道维度上进行压缩。
进一步地，所述空间注意力映射的步骤包括：先使用平均池化和最大池化分别对通道注意力映射的结果进行压缩，得到了两个二维的特征并将其按通道维度拼接在一起，之后使用一个1x1卷积层对其进行卷积操作，由Sigmoid函数激活后输出作为空间注意力映射。
进一步地，CBAM模块首先在通道维度上使用平均池化、最大池化和MLP网络提取输入样本图片的通道注意力映射使得网络的视觉结构聚焦于空间信息，然后在空间维度上通过平均池和最大池化压缩通道注意力映射使得网络的视觉结构聚焦于通道信息。
CBAM模块单独学习通道注意和空间注意的特点在保持网络性能良好的同时减小了计算3D特征图时的参数量。输入特征图与注意力映射相乘后得到的特征图中，网络关注点聚焦在鸡蛋新鲜度相关的特征上，减小了样本采集时背景的影响，提高了网络性能。
进一步地，所述步骤a鸡蛋透光图像采集系统包括平面镜、球积分光源、被检测对象鸡蛋、铁架台、CMOS工业相机、计算机和软件系统检测，在所述球积分光源底部放置所述平面镜，所述球积分光源顶部放置被检测对象鸡蛋，所述球积分光源和所述平面镜放置于所述铁架台平台上，所述CMOS工业相机放置在所述铁架台的支架上，所述CMOS工业相机通过USB接口连接所述计算机，所述计算机安装有图像采集驱动，实现所述软件系统检测。
进一步地，所述鸡蛋透光图像采集系统光源采用OPT-RID-150球积分光源，结合光源底部平面镜结构，能够均匀反射来自球面各方向的光线，使通过顶部透光孔的光线均匀，光照强度、透射效果较优。
进一步地，所述工业彩色CMOS相机的有效像素为2592×1944，500万像素12mm镜头，采集环境光照强度为2-10Lux，图像为RGB彩色图像，分辨率为1920×1440。
进一步地，所述步骤h使用的模型由输入层、特征提取层、注意力层、全连接层和输出层组成。
进一步地，所述特征提取层包括卷积层、下采样层，所述卷积层用于提取输入图像的特征，不同卷积核提取的特征不同，卷积层的核数量越多，提取的特征就越多，所述下采样层能够减少数据处理量，保证运算速度。
进一步地，步骤e训练、测试实验选定分类准确率作为评价指标，并采用随机梯度下降算法进行优化。
进一步地，根据测试精度最优原则，设定卷积网络动量参数为0.7，初始学习率为(1e-3)，梯度下降每次迭代更新样本批包含样本数量设为128，epoch数设为300，利用上述参数建立基于Inception模块与Attention机制的鸡蛋新鲜度检测模型，实现鸡蛋新鲜度分级研究。
相比现有技术，本发明的有益效果在于：
首先对训练和测试的样本进行了扩充，使用采集装置采集到的1173张样本全部用于模型的建立与测试，同时对模型结构进行了改进，在Inception模块后嵌入了CBAM模块，利用注意力机制对提取到的图像特征进行权重分配，模型平均测试精度提高至94.05％，最高测试精度提高至98.44％。在对比实验中VGG16、VGG19和GoogLeNet精度均不如使用了ICBAM模块的GoogLeNet-A模型，验证了本发明提出模型的有效性，对实际生产、销售、市场监督方面的经济效益有重大意义，同时，通道注意力映射和空间注意力映射解决了训练过程中神经网络模型对全部图像特征等价处理的问题。
本发明利用Inception模块与CBAM模块的优势，将Inception模块与CBAM模块相结合，利用Inception模块对输入的鸡蛋新鲜度特征图进行多尺度卷积，得到的多尺度图像特征作为CBAM的输入；CBAM模块从通道和空间两个独立的维度推断出注意力映射后与输入特征相乘使得整个网络有选择地专注于突出部分，提高了鸡蛋新鲜度分类任务的准确率。
附图说明
图1为本发明中Inception模块结构1；
图2为本发明中Inception模块结构2；
图3为本发明中Inception模块结构3；
图4为本发明中通道注意力映射示意图；
图5为本发明中空间注意力映射示意图；
图6为本发明中CBAM流程图；
图7为本发明中ICBAM模块结构；
图8为本发明中图像采集系统的结构示意图；
图9为本发明中的鸡蛋检测流程图；
图10为本发明中的GoogLeNet-A鸡蛋新鲜度检测网络模型形成示意图；
图11为本发明中的鸡蛋新鲜度检测采集流程图；
图12为本发明中的样本标签的输出准确率示意图；
图13本发明中的样本标签的损失函数值示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图10和图11所示，基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：包括三个Inception模块和CBAM模块，多少所述Inception模块和CBAM模块组合建立成一个GoogLeNet-A鸡蛋新鲜度检测网络模型，所述CBAM模块包括通过采集的图像特征建立通道注意力映射和空间注意力映射，通道注意力映射使得神经网络能够分辨样本图片中什么是有意义，更值得关注，而空间注意力映射补充了通道注意力中缺失的位置信息，建立所述GoogLeNet-A鸡蛋新鲜度检测网络模型的步骤包括：
a、搭建鸡蛋透光图像采集系统，获取鸡蛋的透光图像；
b、通过透光图像显示内容剔除因储存导致破损、暗斑的鸡蛋；
c、从剩下的鸡蛋中随机挑选20个鸡蛋样本检测哈夫值，使用这20个鸡蛋的哈夫值代替所有样本；
d、使用鸡蛋透光图像采集系统采集鸡蛋透光图像样本；
e、采集的鸡蛋透射光图像颜色为黄接近红色，鸡蛋暗斑颜色为深红色，二者颜色对比度不高，对鸡蛋样本RGB空间中G分量进行4倍增强；之后利用插值算法将G增强的图像尺寸缩小为原样本的1/8以满足模型模型快速训练、测试；
f、通过旋转、翻转扩充数据集；
g、实验用AA级样本366张、A级样本402张和B级样本405张，从各个新鲜度样本中挑选43张(共计129张)作为测试样本，剩下共计1044张全部作为训练样本，并使用one-hot编码标签；
h、训练样本及其标签带入模型进行训练，使用随机梯度下降算法对权值进行更新，获得鸡蛋新鲜度检测模型，当误差或迭代次数达到阈值时训练停止；最后将测试样本代入训练好的网络，并得出检测结果。
进一步地，三个所述Inception模块中包含一个或多个1x1、3x3、1x3、3x1、1x7和7x1卷积核分支，多核结构能够对不同形态的鸡蛋进行特征提取和学习，同时这种多尺度卷积使得该模块中不再需要人工设计卷积核大小或者确定是否需要创建卷积层和池化层，减小了人为因素对网络的影响。
多核结构能够对不同形态的鸡蛋进行特征提取和学习，同时这种多尺度卷积使得该模块中不再需要人工设计卷积核大小或者确定是否需要创建卷积层和池化层，减小了人为因素对网络的影响。
进一步地，所述通道注意力映射的步骤包括：首先将图像特征平均池化和最大池化，然后通过同一个MLP网络结构，最后将特征的对应元素相加后由Sigmoid函数激活后得到通道注意力映射。通过通道注意力映射把卷积得到的图像特征在通道维度上进行压缩。
通道注意力映射把卷积得到的图像特征在通道维度上进行压缩，流程如图4所示，首先将图像特征平均池化和最大池化，然后通过同一个MLP网络结构，最后将特征的对应元素相加和作为通道注意力映射。
进一步地，如图1～3和图5所示，所述空间注意力映射的步骤包括：先使用平均池化和最大池化分别对通道注意力映射的结果进行压缩，得到了两个二维的特征并将其按通道维度拼接在一起，之后使用一个1x1卷积层对其进行卷积操作，由Sigmoid函数激活后输出作为空间注意力映射。
Sanghyun Woo等人除了在通道维度上生成了通道注意力映射，也在空间维度上对图像特征建立了空间注意力映射。首先使用平均池化和最大池化分别对通道注意力映射进行压缩，得到了两个二维的特征并将其按通道维度拼接在一起，之后使用一个1x1卷积层对其进行卷积操作，输出作为空间注意力映射，流程如图5所示。
图1为本发明中Inception模块结构1.该模块中使用1x1和3x3的卷积核提取图像特征；
图2为本发明中Inception模块结构2.该模块中将7x7卷积核不对称分解成1x7和7x1，使得网络计算参数大幅减小的同时增加了非线性层，可以处理更加丰富的空间特征；
图3为本发明中Inception模块结构3.该模块中将3x3卷积核不对称分解成1x3和3x1，使得网络计算参数大幅减小的同时增加了非线性层，可以处理更加丰富的空间特征。
进一步地，如图4所示，CBAM模块首先在通道维度上使用平均池化、最大池化和MLP网络提取输入样本图片的通道注意力映射使得网络的视觉结构聚焦于空间信息，然后在空间维度上通过平均池和最大池化压缩通道注意力映射使得网络的视觉结构聚焦于通道信息。
CBAM模块单独学习通道注意和空间注意的特点在保持网络性能良好的同时减小了计算3D特征图时的参数量。输入特征图与注意力映射相乘后得到的特征图中，网络关注点聚焦在鸡蛋新鲜度相关的特征上，减小了样本采集时背景的影响，提高了网络性能。
通道注意力映射使得神经网络能够分辨样本图片中什么是有意义的，更值得关注的，而空间注意力映射补充了通道注意力中缺失的位置信息。通道注意力映射和空间注意力映射解决了训练过程中神经网络模型对全部图像特征等价处理的问题。
本发明中应用CBAM模块首先在通道维度上使用平均池化、最大池化和MLP网络提取输入样本图片的通道注意力映射使得网络的视觉结构聚焦于空间信息，然后在空间维度上通过平均池和最大池化压缩通道注意力映射使得网络的视觉结构聚焦于通道信息。CBAM模块单独学习通道注意和空间注意的特点在保持网络性能良好的同时减小了计算3D特征图时的参数量。输入特征图与注意力映射相乘后得到的特征图中，网络关注点聚焦在鸡蛋新鲜度相关的特征上，减小了样本采集时背景的影响，提高了网络性能。CBAM流程图如图6所示。
本发明利用Inception模块与CBAM模块的优势，将Inception模块与CBAM模块相结合，利用Inception模块对输入的鸡蛋新鲜度特征图进行多尺度卷积，得到的多尺度图像特征作为CBAM的输入。CBAM模块从通道和空间两个独立的维度推断出注意力映射后与输入特征相乘使得整个网络有选择地专注于突出部分，提高了鸡蛋新鲜度分类任务的准确率。ICBAM模块流程如图7虚线框部分所示。
本发明建立的GoogLeNet-A网络具有3个ICBAM模块、5个卷积层、1个FC全连接层、4个Dropout层与3个softmax层。卷积层需要设计的参数有步长(s)，卷积核大小(f)卷积核数量(n)与激活函数。本发明选择的激活函数为Relu,，每个卷积层的参数如表1所示。本发明采集的样本为1173，在非海量样本情况下，加入dropout层能够有效防止过拟合问题，所以本发明鸡蛋新鲜度检测ICBAM模型结构中在卷积层后加入了dropout层。
表1 模型结构示意图
层数 层类型 输入尺寸
1 输入层 144x192x3
2 COV，f＝3，s＝2，n＝32 144x192x3
3 COV，f＝3，s＝1，n＝32 71x95x32
4 COV，f＝3，s＝1，n＝64 69x93x32
5 Maxpooling，f＝3，s＝2 69x93x64
6 COV，f＝3，s＝1，n＝80 34x46x64
7 COV，f＝3，s＝2，n＝192 32x44x80
8 Maxpooling，f＝3，s＝1 16x22x192
9 3个ICBAM，结构如图1所示 16x22x288
10 Dropout
11 5个ICBAM，结构如图2所示 8x11x768
12 Dropout
13 3个ICBAM，结构如图3所示 4x5x1280
14 Dropout
15 Maxpooling，f＝4X5，s＝1 4x5x1280
16 Dropout
17 FC 1x1x3
18 Softmax 1x1x3
进一步地改进为，所述步骤a鸡蛋透光图像采集系统包括平面镜、球积分光源、被检测对象鸡蛋、铁架台、CMOS工业相机、计算机和软件系统检测，在所述球积分光源底部放置所述平面镜，所述球积分光源顶部放置被检测对象鸡蛋，所述球积分光源和所述平面镜放置于所述铁架台平台上，所述CMOS工业相机放置在所述铁架台的支架上，所述CMOS工业相机通过USB接口连接所述计算机，所述计算机安装有图像采集驱动，实现所述软件系统检测。
进一步地，所述鸡蛋透光图像采集系统光源采用OPT-RID-150球积分光源，结合光源底部平面镜结构，能够均匀反射来自球面各方向的光线，使通过顶部透光孔的光线均匀，光照强度、透射效果较优。
进一步地，所述工业彩色CMOS相机的有效像素为2592×1944，500万像素12mm镜头，采集环境光照强度为2-10Lux，图像为RGB彩色图像，分辨率为1920×1440。
为了采集鸡蛋图片，扩大样本数量，设计了如图8所示的图像采样装置。光源采用OPT-RID-150球积分光源，并且在该光源底部放置了一块平面镜，使得光源发出的光经平面镜反射后通过顶部透光孔，照射到鸡蛋上的光照强度等效果优于以往研究中直接使用白炽灯光源。相机选择工业彩色CMOS相机，有效像素2592×1944。采集鸡蛋图片时，需要限制采集环境的光照强度在2-10Lux，采集得到RGB三通道彩色图像，分辨率为1920×1440。
通过图8采集到的鸡蛋图片颜色为黄接近红色，能够凸显鸡蛋特征的空室和蛋黄颜色为深红色接近黑色，二者颜色对比度不高，经过色彩增强实验后发现，RGB空间中G分量更容易凸显鸡蛋特征[17]，因此对样本图片G分量进行4倍增强。之后利用插值算法将G增强的图像尺寸缩小为原样本的1/10，以满足CNN网络模型快速训练、测试。
哈夫单位值是美国农业部综合鸡蛋蛋白高度和蛋重两个表征鸡蛋新鲜度的因子建立的指标，新鲜蛋哈夫单位通常在70～82之间，其计算公式如式1：
Ha＝100×lg(H+7.57-1.7Xw0.37)#(1)
式中，H为蛋白高度(单位mm)，w表示鸡蛋质量(单位g)。
根据中华人民共和国国内贸易行业标准(SB/T 10683-2011)中鸡蛋新鲜度级别与哈夫值的关系，本发明将检测完的鸡蛋分为三级：AA、A、B，如表2所示。
表1 哈夫值与新鲜度级别
Figure BDA0002957321590000141
进一步地，所述步骤h使用的模型由输入层、特征提取层、注意力层、全连接层和输出层组成。
进一步地，所述特征提取层包括卷积层、下采样层，所述卷积层用于提取输入图像的特征，不同卷积核提取的特征不同，卷积层的核数量越多，提取的特征就越多，所述下采样层能够减少数据处理量，保证运算速度。
进一步地，步骤e训练、测试实验选定分类准确率作为评价指标，并采用随机梯度下降算法进行优化。
进一步地，根据测试精度最优原则，设定卷积网络动量参数为0.7，初始学习率为(1e-3)，梯度下降每次迭代更新样本批包含样本数量设为128，epoch数设为300，利用上述参数建立基于Inception模块与Attention机制的鸡蛋新鲜度检测模型，实现鸡蛋新鲜度分级研究。
具体实验流程如下：
本发明中所使用的实验材料为金华市兰溪禽盛蛋鸡养殖场提供的新鲜京白939粉壳鸡蛋共500个，贮藏于温度26-28℃，相对湿度70％-80％的室内环境。
实验时每天剔除因储存导致破损、暗斑鸡蛋，剩下所有鸡蛋全部使用图8所示的装置采集图像样本，从鸡蛋中随机挑选20个鸡蛋样本检测哈夫值，使用这20个鸡蛋的哈夫值代替所有样本(500个鸡蛋)当天的哈夫值并根据表2所示的分类方式将当天鸡蛋进行分类。
实验每隔1天重复上述采集，采样周期为19天。经过哈夫值检测，第1、2天的鸡蛋全部为AA级鸡蛋；第6-8天的鸡蛋全部为A级鸡蛋；第12-19天的鸡蛋全部为B级鸡蛋。由于第3-5天、第9-11天中混杂不同新鲜度级别的鸡蛋，所以这两个时间段采集的图片不在后续实验中使用。
去除因拍摄等问题图像不清晰的样本后共得到实验用AA级样本366张、A级样本402张和B级样本405张。从三类样本中各挑选43张(共计129张)作为测试样本，剩下共计1044张全部作为训练样本。首先对训练样本进行预处理，将通道4倍增强并使用one-hot编码方式对三类新鲜度级别的鸡蛋标签进行编码，随后将训练样本及其编码后的标签代入GoogLeNet-A网络模型进行训练，使用随机梯度下降算法对权值进行更新，获得鸡蛋新鲜度检测模型，其检测流程如图9所示。
实验结果显示如下：
本发明基于python3.7编程环境，所使用的深度学习框架为Tensorflow框架，将1044张训练样本作为模型的输入数据，样本标签的one-hot编码作为模型的输出数据。当每一次训练开始时，从训练集中随机抽取64张样本作为一次训练的输入数据，64张样本的标签作为模型的输出数据。当一次训练完成后，从129张测试样本中随机抽取64张样本对训练好的模型进行测试，测试准确率与损失函数如图12和图13所示。
由图12和图13可见，随着训练迭代次数的增加，训练的损失函数在不断变小，且趋于稳定，而训练的精度呈上升趋势，说明该网络模型在训练过程中得到不断优化，分类效果也得到提升，最后当迭代次数达到27037次时，基本收敛，最后100次的平均检测准确率为94.05％，最高检测准确率为98.44％。
为进一步验证本发明所提鸡蛋新鲜度检测模型的有效性和检测精度，在实验设置保持一致的情况下，使用相同的数据集，引入近年来图像分类任务中常用的GoogLeNet、VGG16、VGG19三种网络模型进行对比实验。表3给出了GoogLeNet、VGG16和VGG19的平均检测准确率和最高检测率，BP神经网络和灰色神经网络的最高检测率(相关文献中未给出平均检测率)。
表2 鸡蛋新鲜度检测方法对比
网络模型 特征提取方法 平均准确率 最高准确率
GoogLeNet Inception 93.54％ 98.44％
GoogLeNet-A ICBAM 94.05％ 98.44％
VGG16 卷积层提取特征 92.30％ 96.88％
VGG19 卷积层提取特征 92.03％ 93.75％
BP神经网络 颜色特征参数提取 / 89.03％
灰色神经网络 颜色特征参数提取 / 92.7％
表3中使用卷积神经网络提取图像特征的GoogLeNet、GoogLeNet-A、VGG16和VGG19最高准确率均高于使用人工选取图像特征的BP神经网络和灰色神经网络，由此可见模型自主选择需要提取的鸡蛋新鲜度特征比人工为网络模型提取特征的方法精度更高，特征提取更全面。而在所有进行实验的深度学习模型中，ICBAM模块提取特征最全面，平均测试精度达到了94.05％。GoogLeNet网络中多尺度特征的提取，使得网络平均准确率和最高准确率比使用单一卷积核的VGG16和VGG19网络更高。而引入注意力机制后，网络更关注于跟鸡蛋新鲜度有关的特征上，GoogLeNet-A网络在多次测试下，平均准确率比GoogLeNet提高了0.49％，具有更好的识别精度，且在实际应用时具有更好的网络性能。
从以上内容所知，鸡蛋新鲜度无损分级研究在实际销售、生产、监督的过程中具有重要意义。在以往的鸡蛋新鲜度分级研究中常使用人工提取鸡蛋新鲜度特征的方法，将提取到的特征通过机器学习进行分类建模。这种建模方法建立的模型精度有限，训练与测试的过程中使用的样本容量仅仅只有几十或者一、二百张，容易产生过拟合现象。本发明首先对训练和测试的样本进行了扩充，使用采集装置采集到的1173张样本全部用于模型的建立与测试。同时对模型结构进行了改进，在Inception模块后嵌入了CBAM模块，利用注意力机制对提取到的图像特征进行权重分配，模型平均测试精度提高至94.05％，最高测试精度提高至98.44％。在对比实验中VGG16、VGG19和GoogLeNet精度均不如使用了ICBAM模块的GoogLeNet-A模型，验证了本发明提出模型的有效性，对实际生产、销售、市场监督方面的经济效益有重大意义。
随着近年来深度学习的发展，卷积神经网络在图像分析和处理领域取得了众多突破性的进展，避免了对图像复杂的前期预处理过程，卷积、池化和填充操作代替了传统机器学习中对人工提取图像特征中存在的主观性。然而卷积神经网络随着网络深度的增加网络参数会呈指数式增加从而导致梯度消失、过拟合等问题。为了提高泛化能力和运行速度，改善人工神经网络容易过拟合等问题。本发明在扩大样本数目的同时使用Inception模块优化网络结构，引入多尺度卷积对输入的图像特征自主学习获取需要的卷积核大小。同时本发明引入注意力机制对多尺度特征分配自适应权值，使得网络关注点在蛋黄大小、气室直径比等与鸡蛋新鲜度相关的特征上，进一步提高了网络准确性，建立了一个高精度的ICBAM鸡蛋新鲜度检测网络模型。
鸡蛋新鲜度是衡量鸡蛋品质的一个重要经济指标，也是影响鸡蛋销售的主要因素。本发明首先针对目前研究中训练和测试样本数量小的问题，搭建了样本采集装置，采集了三种不同级别新鲜度的鸡蛋样本图片共1173张，极大地扩展了样本数目。在此基础上针对目前研究中人工提取特征时主观性强、得到的模型精度不高的问题，使用CBAM(Convolutional Block Attention Module)模块并结合Inception模块构建网络模型，引入注意力机制对采集到的多尺度特征分配自适应权重，提高了网络准确性，改善了网络过拟合问题，建立了一个高精度的鸡蛋新鲜度检测模型。测试结果表明本发明所建模型GoogLeNet-A平均测试精度达到94.05％，最高测试精度达到98.44％。同时与现有其他深度学习模型进行了对比实验，实验结果表明，本发明提出的检测模型精度最高，为鸡蛋新鲜度检测提供了新思路、新方法。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：包括三个Inception模块和CBAM模块，多少所述Inception模块和CBAM模块组合建立成一个GoogLeNet-A鸡蛋新鲜度检测网络模型，所述CBAM模块包括通过采集的图像特征建立通道注意力映射和空间注意力映射，通道注意力映射使得神经网络能够分辨样本图片中什么是有意义，更值得关注，而空间注意力映射补充了通道注意力中缺失的位置信息，建立所述GoogLeNet-A鸡蛋新鲜度检测网络模型的步骤包括：
a、搭建鸡蛋透光图像采集系统，获取鸡蛋的透光图像；
b、通过透光图像显示内容剔除因储存导致破损、暗斑的鸡蛋；
c、从剩下的鸡蛋中随机挑选20个鸡蛋样本检测哈夫值，使用这20个鸡蛋的哈夫值代替所有样本；
d、使用鸡蛋透光图像采集系统采集鸡蛋透光图像样本；
e、采集的鸡蛋透射光图像颜色为黄接近红色，鸡蛋暗斑颜色为深红色，二者颜色对比度不高，对鸡蛋样本RGB空间中G分量进行4倍增强；之后利用插值算法将G增强的图像尺寸缩小为原样本的1/8以满足模型模型快速训练、测试；
f、通过旋转、翻转扩充数据集；
g、实验用AA级样本366张、A级样本402张和B级样本405张，从各个新鲜度样本中挑选43张(共计129张)作为测试样本，剩下共计1044张全部作为训练样本，并使用one-hot编码标签；
h、训练样本及其标签带入模型进行训练，使用随机梯度下降算法对权值进行更新，获得鸡蛋新鲜度检测模型，当误差或迭代次数达到阈值时训练停止；最后将测试样本代入训练好的网络，并得出检测结果。
2.根据权利要求1所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：三个所述Inception模块中包含一个或多个1x1、3x3、1x3、3x1、1x7和7x1卷积核分支，多核结构能够对不同形态的鸡蛋进行特征提取和学习，同时这种多尺度卷积使得该模块中不再需要人工设计卷积核大小或者确定是否需要创建卷积层和池化层，减小了人为因素对网络的影响。
3.根据权利要求1所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：所述通道注意力映射的步骤包括：首先将图像特征平均池化和最大池化，然后通过同一个MLP网络结构，最后将特征的对应元素相加后由Sigmoid函数激活后得到通道注意力映射。通过通道注意力映射把卷积得到的图像特征在通道维度上进行压缩。
4.根据权利要求3所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：所述空间注意力映射的步骤包括：先使用平均池化和最大池化分别对通道注意力映射的结果进行压缩，得到了两个二维的特征并将其按通道维度拼接在一起，之后使用一个1x1卷积层对其进行卷积操作，由Sigmoid函数激活后输出作为空间注意力映射。
5.根据权利要求4所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：CBAM模块首先在通道维度上使用平均池化、最大池化和MLP网络提取输入样本图片的通道注意力映射使得网络的视觉结构聚焦于空间信息，然后在空间维度上通过平均池和最大池化压缩通道注意力映射使得网络的视觉结构聚焦于通道信息。
6.根据权利要求1所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：所述步骤a鸡蛋透光图像采集系统包括平面镜、球积分光源、被检测对象鸡蛋、铁架台、CMOS工业相机、计算机和软件系统检测，在所述球积分光源底部放置所述平面镜，所述球积分光源顶部放置被检测对象鸡蛋，所述球积分光源和所述平面镜放置于所述铁架台平台上，所述CMOS工业相机放置在所述铁架台的支架上，所述CMOS工业相机通过USB接口连接所述计算机，所述计算机安装有图像采集驱动，实现所述软件系统检测。
7.根据权利要求6所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：所述工业彩色CMOS相机的有效像素为2592×1944，500万像素12mm镜头，采集环境光照强度为2-10Lux，图像为RGB彩色图像，分辨率为1920×1440。
8.根据权利要求1所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：所述步骤h使用的模型由输入层、特征提取层、注意力层、全连接层和输出层组成。
9.根据权利要求1所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：步骤e训练、测试实验选定分类准确率作为评价指标，并采用随机梯度下降算法进行优化。
10.根据权利要求1所述的基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，其特征在于：根据测试精度最优原则，设定卷积网络动量参数为0.7，初始学习率为(1e-3)，梯度下降每次迭代更新样本批包含样本数量设为128，epoch数设为300，利用上述参数建立基于Inception模块与Attention机制的鸡蛋新鲜度检测模型，实现鸡蛋新鲜度分级研究。
CN202110229221.6A 2021-03-02 2021-03-02 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法 Pending CN113012244A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110229221.6A CN113012244A (zh) 2021-03-02 2021-03-02 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110229221.6A CN113012244A (zh) 2021-03-02 2021-03-02 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法

Publications (1)

Publication Number Publication Date
CN113012244A true CN113012244A (zh) 2021-06-22

Family

ID=76402204

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110229221.6A Pending CN113012244A (zh) 2021-03-02 2021-03-02 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法

Country Status (1)

Country Link
CN (1) CN113012244A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282816A (zh) * 2021-12-24 2022-04-05 苏州易泰勒电子科技有限公司 一种生鲜区大屏幕电子标签自动管理系统
CN116067931A (zh) * 2023-02-06 2023-05-05 大连工业大学 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法
CN117546800A (zh) * 2023-11-17 2024-02-13 江苏省家禽科学研究所 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132803A (zh) * 2020-09-21 2020-12-25 浙江师范大学 一种基于卷积神经网络的鸡蛋新鲜度检测方法
CN112270666A (zh) * 2020-11-03 2021-01-26 辽宁工程技术大学 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132803A (zh) * 2020-09-21 2020-12-25 浙江师范大学 一种基于卷积神经网络的鸡蛋新鲜度检测方法
CN112270666A (zh) * 2020-11-03 2021-01-26 辽宁工程技术大学 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIANMING XIE ET AL.: "A Residual Network of Water Scene Recognition Based on Optimized Inception Module and Convolutional Block Attention Module", 《2019 6TH INTERNATIONAL CONFERENCE ON SYSTEMS AND INFORMATICS (ICSAI)》, pages 1174 - 1178 *
MIN-LAN JIANG ET AL.: "Study on Egg Freshness Detection Based on Inception and Attention", 《INTERNATIONAL CONFERENCE ON SIMULATION TOOLS AND TECHNIQUES-SIMUTOOLS 2021: SIMULATION TOOLS AND TECHNIQUES》, vol. 424, pages 613 *
李飞: "机器学习在鸡蛋产量预测与品质检测中的应用", 《中国优秀硕士学位论文全文数据库 (农业科技辑)》, no. 2, pages 050 - 264 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114282816A (zh) * 2021-12-24 2022-04-05 苏州易泰勒电子科技有限公司 一种生鲜区大屏幕电子标签自动管理系统
CN116067931A (zh) * 2023-02-06 2023-05-05 大连工业大学 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法
CN116067931B (zh) * 2023-02-06 2023-09-12 大连工业大学 一种基于荧光响应图像的冻条罗非鱼tvb-n无损检测方法
CN117546800A (zh) * 2023-11-17 2024-02-13 江苏省家禽科学研究所 一种乌鸡蛋和普通鸡蛋物联网智能化检测区分装置及方法

Similar Documents

Publication Publication Date Title
CN113012244A (zh) 基于Inception模块与Attention机制的鸡蛋新鲜度检测方法
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
CN115294117B (zh) Led灯珠的缺陷检测方法及相关装置
CN112070727B (zh) 一种基于机器学习的金属表面缺陷检测方法
Lou et al. Accurate multi-view stereo 3D reconstruction for cost-effective plant phenotyping
CN113610831B (zh) 基于计算机图像技术和迁移学习的木材缺陷检测方法
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN114863198A (zh) 一种基于神经网络的小龙虾质量分级方法
CN118097372B (zh) 一种基于人工智能的作物生长可视化预测方法
CN115797844A (zh) 一种基于神经网络的鱼体鱼病检测方法及系统
CN116310548A (zh) 一种进口种子产品中的入侵植物种子检测方法
Lin et al. A novel approach for estimating the flowering rate of litchi based on deep learning and UAV images
CN117994240A (zh) 多尺度二级光学遥感图像条纹噪声智能检测方法及装置
CN116777865B (zh) 一种水下裂缝的识别方法、系统、装置及存储介质
CN112966698A (zh) 基于轻量化卷积网络的淡水鱼图像实时识别方法
CN116958960A (zh) 一种基于机器学习随机森林算法的鸡蛋暗斑检测方法
CN112183640A (zh) 一种基于不规则物体的检测和分类方法
CN117079125A (zh) 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法
CN116645351A (zh) 一种复杂场景的缺陷在线检测方法及系统
CN112164120A (zh) 一种基于卷积神经网络GoogLeNet模型的暗斑鸡蛋检测方法
CN116363085B (zh) 基于小样本学习和虚拟合成数据的工业零件目标检测方法
Sujatha et al. Implementing deep‐learning techniques for accurate fruit disease identification
CN114648702B (zh) 一种龙虾分拣方法、系统、介质、设备及终端
JP6961319B2 (ja) 評価方法及び評価装置
Fan High-Precision Tomato Maturity Detection Using a Genetic Algorithm Optimized Swin-YOLO Network

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210622