一種基于計算機(jī)視覺和深度學(xué)習(xí)的番茄外部缺陷檢測方法

    

     

      

       

        

         

          

           

            

             
水果外部缺陷會造成水果賣相不佳，營養(yǎng)價值降低或已被污染，因此售價往往較低。工業(yè)分揀和分級機(jī)器可利用計算機(jī)視覺（CV）根據(jù)顏色、大小和質(zhì)地等不同標(biāo)準(zhǔn)來區(qū)分食品，但當(dāng)前所使用的傳統(tǒng)計算機(jī)視覺系統(tǒng)（TCVS）缺乏能夠檢測多種外部缺陷的算法。因此，需要一種更好的檢測算法來對水果進(jìn)行分級，以確保將最好的水果送入消費(fèi)市場。
             
巴西坎皮納斯州立大學(xué)的學(xué)者們在《BIOSYSTEMS ENGINEERING》合作發(fā)表了一篇題為“Computer vision based detection of external defects on tomatoes using deep learning”的研究論文，報道了一種基于計算機(jī)視覺和深度學(xué)習(xí)的番茄外部缺陷檢測方法，研究提出的整個番茄分類流程如圖1所示。
             

             
圖 1番茄分類流程
            
           
          
         
        
        

         

          

           

            

             
            
           
           

            

             

              
通過圖2所示裝置獲取了一個包含43843幅圖像的數(shù)據(jù)集。經(jīng)過富有經(jīng)驗(yàn)的專業(yè)人員人工標(biāo)注后獲得38884幅無缺陷圖像樣本和4959幅外部缺陷樣本，按照2：1：1的比例確定了訓(xùn)練集、驗(yàn)證集和測試集。
             
            
           
          
         
         

        
        

         
圖 2圖像獲取裝置
        
        

         

          

           

            
           
          
          

           

            

             
該研究選取了深度殘差神經(jīng)網(wǎng)絡(luò)（ResNet）構(gòu)建了模型框架（如圖3），無需圖像分割、特征工程或特征選擇。由于從頭開始訓(xùn)練DNNs需要足夠強(qiáng)的GPU和大量的訓(xùn)練樣本，該研究采用遷移學(xué)習(xí)代替了從頭開始的訓(xùn)練，并制定了三步訓(xùn)練策略。
             

             
圖 3深度殘差神經(jīng)網(wǎng)絡(luò)框架
            
           
          
         
        
        

         

          

           

            
           
          
          

           

            

             
結(jié)果表明，當(dāng)有足夠的數(shù)據(jù)樣本時，結(jié)果最好的模型是ResNet50。該模型在驗(yàn)證集上和測試集上的平均精度分別達(dá)到了94.2%和94.6%。最佳分類器的召回率為86.6%，準(zhǔn)確率為91.7%。
             
圖4為分揀機(jī)檢測決策流程圖，圖中主要顯示了攝像室內(nèi)的檢測過程，它將傳感器和執(zhí)行器等細(xì)節(jié)抽象化。檢測閾值由用戶選擇，可以是最優(yōu)值（0.4%）或滿足排序過程的精度和召回要求的另一個值。
             

             
圖 4外部缺陷檢測的決策流程
            
           
          
         
        
        

         

          

           

            

             
綜合來看，使用深度自動編碼器和一類分類器等異常檢測技術(shù)很可能會進(jìn)一步改善分揀結(jié)果，但對性能的影響取決于模型復(fù)雜度的增加。該模型本身沒有關(guān)于番茄的先驗(yàn)知識，也沒有可用的提高模型性能的人工特征工程，如果建立了相應(yīng)的數(shù)據(jù)集，該模型就可以擴(kuò)展應(yīng)用到其他食品分級中。
            
           
          
         
        
        

         

        
        
本文轉(zhuǎn)自微信公眾號：蘇農(nóng)信
        


        
聲明：部分內(nèi)容來源于網(wǎng)絡(luò)，僅供讀者學(xué)習(xí)、交流之目的。文章版權(quán)歸原作者所有。如有不妥，請聯(lián)系刪除。
        
         

          下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
          

         
         

          在「小白學(xué)視覺」公眾號后臺回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。
         
         

          

         
         

          下載2：Python視覺實(shí)戰(zhàn)項(xiàng)目52講
         
         

          在「小白學(xué)視覺」公眾號后臺回復(fù)：Python視覺實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計算機(jī)視覺。
         
         

          

         
         

          下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講
         
         

          在「小白學(xué)視覺」公眾號后臺回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個基于OpenCV實(shí)現(xiàn)20個實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。
         
         

          

         
交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細(xì)分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三 + 上海交大 + 視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進(jìn)入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~