基于深度学习与图像处理的哈密瓜表面缺陷检测.pdf
文本预览下载声明
第 37 卷 第 1 期 农 业 工 程 学 报 Vol.37 No.1
2021 年 1 月 Transactions of the Chinese Society of Agricultural Engineering Jan. 2021 223
基于深度学习与图像处理的哈密瓜表面缺陷检测
1 1,2※ 1 1,3 1 1
李小占 ,马本学 ,喻国威 ,陈金成 ,李玉洁 ,李 聪
(1. 石河子大学机械电气工程学院,石河子 832003 ; 2. 农业农村部西北农业装备重点实验室,石河子 832003 ;
3. 新疆农垦科学院机械装备研究所,石河子 832000 )
摘 要:针对传统人工检测哈密瓜表面缺陷效率低等问题,提出利用卷积神经网络(Convolutional Neural Networks, CNN )
对哈密瓜表面缺陷进行快速检测。对原始图像进行主成分分析(Principal Components Analysis ,PCA )、奇异值分解(Singular
Value Decomposition, SVD )和二值化等预处理操作,通过数据扩充得到正常、霉菌、晒伤和裂纹的哈密瓜图像各2 500 幅。
构建一种改进的类似 VGG 卷积神经网络模型,将预处理后的图像输入模型,并使用随机梯度下降(Stochastic Gradient
Descent, SGD )优化器进行算法优化,为探究CNN 模型的特征提取原理,将改进的类似 VGG 模型每层卷积的特征进行
可视化,最后利用开发的哈密瓜表面缺陷检测软件对模型进行试验验证。研究结果表明:图像预处理算法提高了模型的
鲁棒性和泛化能力,改进的类似 VGG 模型优于 AlexNet 和 VGG-16 模型,其训练集和测试集准确率分别为 100.00%和
97.14%;对比预处理前后 4 类哈密瓜卷积特征可视化结果表明,随着卷积层层数的增加,哈密瓜表面缺陷特征越来越明
显,图像预处理后卷积层特征提取效果优于原始图像提取效果。软件测试结果表明:静态下哈密瓜缺陷检测速率达
到 0.7 s/幅,识别准确率达到 93.50% 。研究结果可为哈密瓜表面缺陷在线检测技术提供理论依据和技术参考。
关键词:图像处理;缺陷;无损检测;卷积神经网络;可视化;哈密瓜
doi :10.11975/j.issn.1002-6819.2021.01.027
中图分类号:S652.1; TP391.4 文献标志码:A 文章编号:1002-6819(2021)-01-0223-10
李小占,马本学,喻国威,等. 基于深度学习与图像处理的哈密瓜表面缺陷检测[J]. 农业工程学报,2021,37(1):223-232.
doi :10.11975/j.issn.1002-6819.2021.01.027
Li Xiaozhan, Ma Benxue, Yu Guowei, et al. Surface defect detection of Hami melon using deep learning and image processing[J].
Transactions o
显示全部