基于深度学习的红枣缺陷识别技术研究

发布时间：2020-06-07 18:06

【摘要】：目前国内外对于红枣的缺陷的检测现状大多为人工筛选,这种方式不仅劳动强度大,而且效率低下,红枣的分选质量受工人主观影响较大,不符合国家的食品安全要求。为了提高我国果类生产加工水平,提升果品品质,满足现代化农产品加工需求,基于机器视觉技术进行缺陷的识别已然成为主要的发展趋势。本文基于深度学习理论对红枣缺陷检测中的关键技术进行了深入系统地研究,主要研究内容如下:根据新疆灰枣的检测要求,设计了基于机器视觉的红枣缺陷自动检测装置,搭建了红枣缺陷检测实验平台,并给出了关键模块的设计方案。完成了图像采集模块的设计,确定了合适的数字图像传输方式、光源配置方式、工业相机以及镜头的型号。根据红枣全表面信息的检测要求,设计出了红枣输送翻转装置的结构。根据红枣及其表面缺陷特征,研究了基于Blob分析的红枣缺陷识别算法,提出了采用颜色空间分析和Blob分析算法进行红枣与背景的分离以及红枣表面缺陷的识别,给出了不同缺陷特征种类的颜色空间模型和分割阈值,快速准确地实现了破头果、霉变果、浆头果等典型红枣表面缺陷的识别。针对采用Blob分析识别红枣的干条和黄皮缺陷困难问题,研究了基于深度学习的红枣缺陷识别技术。基于GoogleNet的inception_v3模型,利用Tensorflow人工智能平台,通过对模型的学习率、批次大小、迭代次数的设置与调节,得到网络训练的准确率变化曲线和损失函数变化曲线。实验验证结果表明,该模型对于干条、黄皮、破头、霉变四类缺陷以及正常枣的识别效果良好,准确率可达98%以上。数据集采集和预处理过程繁杂,往往会造成数据集样本不足,导致训练过程产生过拟合现象,针对这一问题,研究了基于迁移学习的红枣缺陷识别技术。研究了迁移学习的相关理论知识,提出了基于迁移学习的层冻结的训练方法,包括神经网络的预训练、“瓶颈层”特征的提取、网络模型的参数微调等过程。研究了迁移学习中迭代次数和数据集数量对模型准确率的影响。实验对比验证了迁移学习方法与深度学习方法,迁移学习在较少的数据集上就能实现较好的训练效果,并且可以节省大量训练时间。最后以C#、Halcon作为软件开发平台,分析了相机拍摄时序以及图像处理流程,研制了红枣缺陷检测系统。
【图文】：

缺陷枣是新鲜红枣在由于水分、气温、害虫等自然因素或采摘过程导致损伤的果实，常见的缺陷类型包括霉变、干条、破头、浆头、黄皮等，见图1.1。据统计显示，2017年我国枣树种植面积达到325万公顷，行业产量达到852.2万吨，年产量占世界红枣产量99%，，然而全国的四十多家大型枣类科研、生产企业，具有完备加工能力的仅有10%～20%，导致我国的红枣品质等级分选难，品种单一，出口量较低，生产加工技术发展较为缓慢。目前，国内许多生产厂家依然采用人工进行红枣缺陷的筛选，工人不仅劳动强度较大，而且分选效率较低。工人主观意识往往直接影响红枣分选质量

2 红枣缺陷检测图像自动获取装置设计2.1.2 红枣缺陷检测系统总体方案设计红枣缺陷检测系统要满足全表面信息的采集，实现检测速度快、准确率高、实时性高等要求。本文根据实际生产要求，设计了基于机器视觉的红枣缺陷智能检测系统，系统方案如图 2.1 所示。该缺陷检测系统主要由上料机构、输送系统、图像采集系统、图像处理系统、控制系统等部分组成。该系统工作流程如图 2.2 所示。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S665.1;TP391.41

【相似文献】

相关期刊论文 前10条

1 赵万民;曾德文;;荧光磁粉探伤缺陷识别系统的研究现状与关键技术[J];铁道机车车辆工人;2008年08期

2 柳春图,陈卫江;缺陷识别反问题的研究状况与若干进展[J];力学进展;1998年03期

3 王力;周志杰;胡昌华;刘涛源;;基于置信规则和证据推理的超声检测缺陷识别[J];中国测试;2017年04期

4 张毅刚;建筑结构缺陷识别与计算机应用[J];工程设计CAD与智能建筑;1999年12期

5 韩宏峰;罗羿隆;相克磊;徐毅蒙;;基于机器学习的软件缺陷识别的必要性[J];电脑知识与技术;2017年25期

6 刘金海;付明芮;唐建华;;基于漏磁内检测的缺陷识别方法[J];仪器仪表学报;2016年11期

7 李刚;;平板玻璃缺陷识别系统设计[J];重庆科技学院学报(自然科学版);2017年02期

8 赵冬;;内控缺陷识别框架的初探[J];商业文化(上半月);2011年12期

9 邝泳聪;欧阳高飞;杨锦荣;谢宏威;洪始良;;基于决策树自动构造的组装缺陷识别[J];制造业自动化;2009年08期

10 李勇;;X射线图像缺陷识别的特征参数选择及其识别[J];无线互联科技;2012年11期

相关会议论文 前10条

1 张毅刚;;结构缺陷识别的线性规划法[A];中国土木工程学会计算机应用分会第七届年会论文集[C];1999年

2 张毅刚;;结构缺陷识别的线性规划法[A];中国土木工程学会计算机应用分会第七届年会土木工程计算机应用文集[C];1999年

3 尚钢;陈立耀;李卓球;王建平;;神经网络在梁体结构缺陷识别中的应用[A];第七届全国结构工程学术会议论文集（第Ⅰ卷）[C];1998年

4 张潜;高立群;王贞祥;;基于小波分析的板型缺陷识别方法[A];管理科学与系统科学研究新进展——第6届全国青年管理科学与系统科学学术会议暨中国科协第4届青年学术年会卫星会议论文集[C];2001年

5 张毅刚;;结构缺陷识别的参数判定法[A];面向21世纪的科技进步与社会经济发展（下册）[C];1999年

6 原培新;孙丽娜;;基于图像处理的X射线胶片缺陷识别[A];2007'中国仪器仪表与测控技术交流大会论文集（二）[C];2007年

7 戴飞虎;;特厚板AUT典型缺陷识别[A];第八届（2011）中国钢铁年会论文集[C];2011年

8 戴飞虎;;特厚板AUT典型缺陷识别[A];2011年全国中厚板生产技术交流会论文集[C];2011年

9 陆斌;;X光实时连锁检测在铸件零缺陷战略中的应用[A];中国铸造行业第五届高层论坛论文集[C];2011年

10 贺笛;徐科;孙金胜;;深度学习在中厚板表面缺陷识别中的应用[A];第十一届中国钢铁年会论文集——S18.冶金自动化与智能管控[C];2017年

相关重要报纸文章 前1条

1 田恬;我国管道漏磁检测技术缺陷识别可信度达90%[N];中国安全生产报;2005年

相关博士学位论文 前10条

1 梁浩;基于目标定位与光谱技术的实木板材表面缺陷识别研究[D];东北林业大学;2017年

2 赵向阳;基于神经网络的钢板表面缺陷识别若干问题的研究[D];大连理工大学;2006年

3 陈恺;集成电路芯片表面缺陷视觉检测关键技术研究[D];东南大学;2016年

4 詹湘琳;超声相控阵油气管道环焊缝缺陷检测技术的研究[D];天津大学;2007年

5 佟彤;基于X射线图像的焊缝缺陷检测与识别研究[D];上海交通大学;2014年

6 周鹏;基于多信息融合的高温铸坯表面缺陷在线检测方法[D];北京科技大学;2015年

7 李长乐;冷轧带钢表面缺陷图像检测关键技术的研究[D];哈尔滨工业大学;2009年

8 冯志红;大型锻件超声检测方法及信号处理算法研究[D];天津工业大学;2016年

9 何峗泽;电磁无损检测缺陷识别与评估新方法研究[D];国防科学技术大学;2012年

10 梁巍;管道缺陷检测中超声信号稀疏解卷积及稀疏压缩方法的研究[D];上海交通大学;2008年

相关硕士学位论文 前10条

1 海潮;基于深度学习的红枣缺陷识别技术研究[D];郑州大学;2019年

2 周咏;基于图像处理的钢轨表面缺陷识别研究[D];兰州交通大学;2018年

3 李衡;基于扭转波的桩基缺陷识别技术研究[D];哈尔滨工程大学;2018年

4 郝亚如;带钢表面缺陷的视觉识别方法研究[D];重庆交通大学;2018年

5 赵轶;基于迁移学习的硅钢钢带缺陷识别评级研究[D];东华大学;2018年

6 彭玉;饮料空瓶检测机器人的瓶口缺陷识别算法研究[D];湖南大学;2017年

7 胡联亭;基于机器视觉的钢板表面缺陷识别研究[D];武汉科技大学;2018年

8 赵思雨;基于HOG特征的跨座式单轨关键部件缺陷识别算法的设计与应用[D];西南交通大学;2018年

9 郭润元;基于机器学习方法的管材缺陷识别方法研究[D];西安理工大学;2018年

10 郭皓然;高亮回转表面缺陷识别方法的研究[D];西安理工大学;2018年

本文编号：2701801