CN107742132A - 基于卷积神经网络的马铃薯表面缺陷检测方法 - Google Patents

基于卷积神经网络的马铃薯表面缺陷检测方法 Download PDF

Info

Publication number
CN107742132A
CN107742132A CN201711081519.7A CN201711081519A CN107742132A CN 107742132 A CN107742132 A CN 107742132A CN 201711081519 A CN201711081519 A CN 201711081519A CN 107742132 A CN107742132 A CN 107742132A
Authority
CN
China
Prior art keywords
potato
neural networks
convolutional neural
network
layer
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
CN201711081519.7A
Other languages
English (en)
Inventor
赵忠盖
许伟栋
刘飞
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.)
Jiangnan University
Original Assignee
Jiangnan University
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 Jiangnan University filed Critical Jiangnan University
Priority to CN201711081519.7A priority Critical patent/CN107742132A/zh
Publication of CN107742132A publication Critical patent/CN107742132A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出了一种基于卷积神经网络的马铃薯表面缺陷检测方法。马铃薯彩色图像由工业相机获取，图像处理模块对得到的图像进行分析处理。本发明的特点是采用卷积神经网络对马铃薯表面缺陷进行检测，将训练集作为样本对卷积神经网络进行训练，然后将预测集输入训练好的网络，利用softmax分类器实现马铃薯的分类。该方法不需要特征提取，也无需根据缺陷类别设置特定的检测算法，直接将图片输入网络，具有准确率高、算法运行时间短、可行性和鲁棒性强等优点，对马铃薯加工业具有重要意义。

Description

基于卷积神经网络的马铃薯表面缺陷检测方法
一、技术领域
本发明涉及一种机器视觉和人工智能领域的技术，具体是一种基于卷积神经网络的马铃薯表面缺陷检测方法。
二、背景技术
马铃薯是一种营养丰富、粮菜兼具的大宗农产品，收割和种植面积均为千万公顷级，是人们日常生活中一种重要的食物品种，因此马铃薯具有巨大的经济和食用价值。目前，我国马铃薯产量居世界首位，但是，复杂的生长环境和机械式的收割方法，导致马铃薯表面缺陷种类繁多，质量参差不齐，严重影响了马铃薯的深加工和增值率，不仅降低了马铃薯的经济价值，也妨碍了马铃薯加工业的发展。
近年来，机器视觉技术以其非接触、柔性好、自动化和智能化水平高、易于同设计信息与加工控制信息集成等优点，逐渐被国内外学者应用于马铃薯表面缺陷检测中。Barnes M等提出了基于机器视觉的利用像素级分类器的马铃薯表面缺陷检测方法。将马铃薯与背景分割后，首先提取与围绕给定像素区域的颜色和纹理相关的候选特征集合。然后使用自适应增强算法(AdaBoost)自动选择最佳特征，来检测马铃薯表面缺陷。纵观目前国内外学者的研究：马铃薯表面缺陷检测均需耗费大量时间和人力用于图片特征提取，并且检测精度依赖于特征提取的好坏程度，但是马铃薯生长环境复杂，缺陷种类繁多，提取合适的特征是一个难题。
目前，携着“深度学习”之势，神经网络重装归来，再次成为最强大的机器学习算法之一。卷积神经网络(CNN)的权值共享和稀疏连接特性使之更类似于生物神经网络，不仅降低了网络模型的复杂度，减少了权值的数量，而且能直接将图像作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。
因此，一种能有效解决传统检测方法缺点的新方法将有效提高马铃薯表面缺陷检测的准确率和速度，促进马铃薯深加工产业的发展，提高马铃薯的经济价值。
三、发明内容
为了解决目前马铃薯表面缺陷检测研究中存在的问题，本发明提出一种基于卷积神经网络的马铃薯表面缺陷检测方法。该方法无需复杂的特征提取，直接将图片输入网络进行训练和检测，提高了检测的精度和速度。同时，带动了马铃薯检测自动化和智能化水平的发展。
本发明的技术方案如下：
本发明涉及一种基于卷积神经网络的马铃薯表面缺陷检测方法。其创新在于，将带有标签的马铃薯图片作为训练样本集对卷积神经网络进行训练，并将预测集中的图片输入训练好的网络进行预测，最后根据卷积神经网络的输出类别判断马铃薯有无缺陷。本发明具体包括如下步骤：
步骤A，从训练样本集中找出有缺陷和无缺陷的两类马铃薯图片，将图像尺寸统一为800*800像素大小，并贴上对应类别的标签。
步骤B，构造七层卷积神经网络(Convolutional Neural Network，CNN)，该网络包括：一个输入层、两个卷积层、两个下采样层、一个全连接层、一个softmax分类层(输出层)。输入为800*800的训练样本集，采用稀疏多类对数损失函数，结合反向传播BP算法调整CNN参数，利用sofamax分类器作为分类算法，完成CNN的训练。
步骤C，对网络进行训练，包括以下步骤：
步骤C1：初始化网络：将一些不同的小随机数作为网络中待训练的参数。
步骤C2：将训练样本输入初始化后的网络，得到实际的输出类别。
步骤C3：采用稀疏多类对数损失函数，按最小化误差的方法反向传播更新CNN中的权重和偏置参数。
步骤D，预测阶段。预测阶段用来测试所训练的卷积神经网络对马铃薯表面缺陷识别的准确度和速度是否满足要求。包括以下步骤：
步骤D1：读取测试样本图像，将预测样本尺寸调整为同尺寸图像并输入训练好的网络模型中。
步骤D2：利用卷积神经网络进行分类，分类结果为上述2类马铃薯(有缺陷和无缺陷)，然后得到分类结果的准确率。
网络的输出为2个类别，分别代表：(1)有缺陷；(2)无缺陷。
本发明的技术构思如下：
近年来，深度学习横空出世，CNN以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优势。CNN的特征是通过训练数据来进行学习，所以CNN避免了显式的特征提取，隐式地从训练数据中学习；此外，CNN同一个特征图上的神经元权值相同，使网络能并行学习。CNN的布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性和参数的个数。对于多维输入向量的图像可以直接输入网络，并且避免了传统检测方法中人工特征提取的步骤和分类过程中数据重建的复杂度。使用该方法不需根据缺陷类型设定不同的图像处理方法，具有广泛的适用性。
CNN与常规方法相比主要有如下优点：(1)权值共享大幅减少了网络所需训练的参数个数，简化了网络结构，提高了网络的适应能力；(2)输入的图片能和网络的拓扑结构很好的吻合；(3)特征提取和模式分类能同时进行。
本发明重点关注马铃薯表面是否具有缺陷。因为，在实际生产中首先要去除品质差、影响产品价值的马铃薯，产品选择的基准随产品用途不同而各有差异，但缺陷都是其中一个重要指标，一般只关注缺陷的有无和危害程度。
本发明提出一种基于卷积神经网络的马铃薯表面缺陷检测方法。该方法无需复杂的特征提取，直接将图片输入网络，提高了马铃薯表面缺陷检测的精度和速度，能用于马铃薯实时在线检测，提升了马铃薯检测的自动化和智能化水平，推动了马铃薯加工业的发展，具有广泛的应用前景。
附图说明
图1是本发明方法流程图。
图2是本发明卷进神经网络模型结构图。
图3是本发明部分马铃薯样本彩图。
具体实施方式
下面结合附图对本发明实例做详细说明。
本实例步骤如下：
步骤1，图片预处理。
将1000张马铃薯彩色图片尺寸调整为800*800像素。按照7:3的经验法则，将700张马铃薯彩色图片(有缺陷和无缺陷各350张)作为训练样本，并贴上标签；其余300张马铃薯彩色图片(有缺陷和无缺陷各150张)作为预测样本。
步骤2，构建卷积神经网络。
在本实例中，卷积神经网络的结构如图2所示。该卷积神经网络共有七层，包括依次连接的输入层、卷积层C1、下采样层S2、卷积层C3、下采样层S4、全连接层、softmax分类层(输出层)。马铃薯图片由输入层输入；在卷基层完成图片特征的提取，增强了原始信号特征,降低了噪声；然后下采样层利用图像信息局部相关原理，对图像进行子采样，既大幅减少了数据的处理量，又保留了有用信息；全连接层把所有的网络结点用一些带权重的值连接起来，组成图像的特征向量；最后在softmax层完成马铃薯图片分类。
输入层为训练样本，尺寸为800*800像素大小；C1层为卷积层，滤波器尺寸为12*12，步长为4，由96个198*198像素的特征图组成，特征图中的神经元与输入层中12*12的区域相连，共有96×(12×12+1)＝13920个参数，输入层和C1层共有13920×(198×198)＝545719680个连接；S2层是一个下采样层，核尺寸为4*4，步长为2，结果通过Relu激活函数计算得到，采样得到96个98*98像素的特征图。S2层共96×4＝384个参数，与C1层共有1632×(98×98)＝15673728个连接；C3层滤波器尺寸为11*11，步长为3，由128个30*30像素的特征图组成，共有128×(11×11+1)＝15616个参数，与S2层共有15616×(30×30)＝14054400个连接；S4层共128×4＝512个参数，与C3层共有2176×(14×14)＝426496个连接，采样得到128个14*14的特征图；全连接层与S4是全连接，有500个节点；输出层与全连接层相连，有2个节点(马铃薯种类)，有1000个连接。
步骤3，训练卷积神经网络。
步骤3.1：初始化网络：将一些不同的小随机数作为网络中待训练的参数。
步骤3.2：将训练样本输入初始化后的网络，得到实际的输出类别。
步骤3.3：采用稀疏多类对数损失函数，按最小化误差的方法反向传播更新CNN中的权重和偏置参数。
步骤4，马铃薯表面缺陷预测。
预测阶段用来测试所训练的卷积神经网络对马铃薯表面缺陷识别的准确度和速度是否满足要求。包括以下步骤：
步骤4.1：读取测试样本图像，将预测样本尺寸调整为同尺寸图像并输入训练好的网络中。
步骤4.2：利用卷积神经网络进行分类，分类结果为有缺陷和无缺陷中的一种，然后得到分类结果的准确率。

Claims (2)

1.一种基于卷积神经网络的马铃薯表面缺陷检测方法。其创新在于，将带有标签的马铃薯图片作为训练样本集对卷积神经网络进行训练，并将预测集中的图片输入训练好的网络进行预测，最后根据卷积神经网络的输出类别判断马铃薯有无缺陷。
2.如权利要求1所述，所述的卷积神经网络模型包括七层：依次连接的输入层、卷积层C1、下采样层S2、卷积层C3、下采样层S4、全连接层、softmax分类层(输出层)。输入为800*800的训练样本，采用稀疏多类对数损失函数，结合反向传播BP算法调整CNN参数，完成CNN的训练，最后利用sofamax分类器对预测集样本进行检测。
CN201711081519.7A 2017-11-07 2017-11-07 基于卷积神经网络的马铃薯表面缺陷检测方法 Pending CN107742132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711081519.7A CN107742132A (zh) 2017-11-07 2017-11-07 基于卷积神经网络的马铃薯表面缺陷检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711081519.7A CN107742132A (zh) 2017-11-07 2017-11-07 基于卷积神经网络的马铃薯表面缺陷检测方法

Publications (1)

Publication Number Publication Date
CN107742132A true CN107742132A (zh) 2018-02-27

Family

ID=61233963

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711081519.7A Pending CN107742132A (zh) 2017-11-07 2017-11-07 基于卷积神经网络的马铃薯表面缺陷检测方法

Country Status (1)

Country Link
CN (1) CN107742132A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108672316A (zh) * 2018-03-27 2018-10-19 哈尔滨理工大学 一种基于卷积神经网络的微小零件质量检测***
CN109685118A (zh) * 2018-12-07 2019-04-26 中国人民解放军陆军工程大学 一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法
CN109794435A (zh) * 2019-01-18 2019-05-24 金陵科技学院 基于深度学习的水果质量检测***及方法
CN110458818A (zh) * 2019-08-06 2019-11-15 苏州感知线智能科技有限公司 一种基于神经网络算法的槟榔检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030028499A1 (en) * 1997-12-12 2003-02-06 Anderson Kim A. Identification system and method for determining the geographic origin of a fresh commodity
CN103344647A (zh) * 2013-07-05 2013-10-09 江苏大学 一种马铃薯的缺陷检测方法
CN106238342A (zh) * 2016-09-14 2016-12-21 郑州轻工业学院 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法
CN106872473A (zh) * 2017-02-21 2017-06-20 中国矿业大学 一种基于机器视觉的马铃薯缺陷检测识别***设计

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030028499A1 (en) * 1997-12-12 2003-02-06 Anderson Kim A. Identification system and method for determining the geographic origin of a fresh commodity
CN103344647A (zh) * 2013-07-05 2013-10-09 江苏大学 一种马铃薯的缺陷检测方法
CN106238342A (zh) * 2016-09-14 2016-12-21 郑州轻工业学院 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法
CN106872473A (zh) * 2017-02-21 2017-06-20 中国矿业大学 一种基于机器视觉的马铃薯缺陷检测识别***设计

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李艳: "基于改进 CNN 的马铃薯病害识别算法", 《信息通信》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108672316A (zh) * 2018-03-27 2018-10-19 哈尔滨理工大学 一种基于卷积神经网络的微小零件质量检测***
CN109685118A (zh) * 2018-12-07 2019-04-26 中国人民解放军陆军工程大学 一种基于卷积神经网络特征的弱分类器Adaboost车辆检测方法
CN109794435A (zh) * 2019-01-18 2019-05-24 金陵科技学院 基于深度学习的水果质量检测***及方法
CN110458818A (zh) * 2019-08-06 2019-11-15 苏州感知线智能科技有限公司 一种基于神经网络算法的槟榔检测方法

Similar Documents

Publication Publication Date Title
CN107392896B (zh) 一种基于深度学习的木材缺陷检测方法和***
Gao et al. A multilevel information fusion-based deep learning method for vision-based defect recognition
CN108021947B (zh) 一种基于视觉的分层极限学习机目标识别方法
CN107742132A (zh) 基于卷积神经网络的马铃薯表面缺陷检测方法
CN109800736A (zh) 一种基于遥感影像和深度学习的道路提取方法
CN107016413B (zh) 一种基于深度学习算法的烟叶在线分级方法
CN109063728A (zh) 一种火灾图像深度学习模式识别方法
CN107818302A (zh) 基于卷积神经网络的非刚性多尺度物体检测方法
CN108830285A (zh) 一种基于Faster-RCNN的加强学习的目标检测方法
CN106991666B (zh) 一种适用于多尺寸图片信息的病害图像识别方法
CN109242830A (zh) 一种基于深度学习的机器视觉技术检测方法
Alrajeh et al. Date fruits classification using MLP and RBF neural networks
CN107665352A (zh) 一种基于多通道残差网络的珍珠分类方法
CN110533629A (zh) 一种桥梁裂缝的检测方法及检测装置
Foong et al. Convolutional neural network based rotten fruit detection using resnet50
CN115862004A (zh) 一种玉米果穗表面缺陷检测方法及装置
CN114818931A (zh) 一种基于小样本元学习的水果图像分类方法
CN111160428A (zh) 基于cnn-svm算法蔬菜自动识别方法
CN115330759B (zh) 一种基于豪斯多夫距离计算距离损失的方法及装置
Rios-Cabrera et al. ANN analysis in a vision approach for potato inspection
Ma et al. Sprouting potato recognition based on deep neural network GoogLeNet
CN110458818A (zh) 一种基于神经网络算法的槟榔检测方法
CN114663658B (zh) 一种具备跨域迁移能力的小样本aoi表面缺陷检测方法
Wang et al. Strawberry ripeness classification method in facility environment based on red color ratio of fruit rind
CN112115824B (zh) 果蔬检测方法、装置、电子设备以及计算机可读介质

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

Application publication date: 20180227

WD01 Invention patent application deemed withdrawn after publication