摘要：针对目前无法同时对随机多列排布干制哈密大枣进行快速缺陷检测和统计计数问题,该研究设计了一款干制哈密大枣在线检测与计数系统。以干制哈密大枣为研究对象,利用工业相机拍摄传送带上随机排列的多类别缺陷干制哈密大枣视频为数据源,采用改进的YOLOv7模型进行干制哈密大枣多类别缺陷检测并将检测结果作为后续多目标跟踪算法的输入;考虑到传送带上干制哈密大枣的外观相似性高以及排列密集等特点,该研究结合ByteTrack多目标跟踪算法的思想,设计了一种多类别干制哈密大枣的画线计数方法,实现了随机排布多类别干制哈密大枣的缺陷检测、准确定位及计数。试验结果表明:1)改进的YOLOv7模型浮点计算量为64.6 G,在干制哈密大枣目标检测数据的测试集上的平均检测精度、召回率、F_(1)平衡分数分别达到了98.03%、93.43%和95.00%,相比YOLOv7模型分别提高了4.40、6.88和7.00个百分点,浮点计算量下降了38.6%;2)基于改进YOLOv7为目标检测器开发的ByteTrack算法计数模型对干制哈密大枣计数的准确率为90.12%。该研究可为干制哈密大枣检测计数和分选分级提供技术支持。

摘要：针对目前红枣分级装置检测指标单一,难以实现外部品质综合判别的问题,设计了一款基于残差网络结合图像处理的干制哈密大枣外部品质检测系统。首先,通过深度学习图像分类实现裂纹、鸟啄和霉变缺陷检测,为克服当前残差网络计算量大、复杂度高以及信息丢失的问题,提出了一种改进深度残差网络图像分类方法;其次,根据尺寸与纹理数量的等级差异性,提出了一种阈值检测方法,通过提取干制哈密大枣图像面积、周长、拟合圆半径及纹理数量特征,实现尺寸及褶皱检测。试验结果表明缺陷识别模型和尺寸、褶皱检测模型测试准确率分别达到97.25%、93.75%和93.75%。综合缺陷、尺寸和褶皱3种外部品质指标,通过在线采集图像验证系统测试,外部品质综合检测准确率为93.13%,可初步满足干制哈密大枣品质在线检测装备的生产需求。

摘要：针对哈密瓜表面农药残留化学检测方法成本高且具有破坏性等问题,探索了可见-近红外(Vis-NIR)光谱技术对农药残留定性判别的可行性。以哈密瓜为载体,百菌清和吡虫啉农药为研究对象,采集哈密瓜表面无残留、百菌清和吡虫啉残留的可见-近红外漫反射光谱,利用格拉姆角场(GAF)将一维光谱数据转换为二维彩色图像,构建GAF图像数据集。设计一种包含Inception结构的多尺度卷积神经网络模型用于哈密瓜表面农药残留种类判别,包括1层输入层、3层卷积层、1层融合层、1层平坦层、2层全连接层和1层输出层。模型测试混淆矩阵结果表明,格拉姆角差场(GADF)变换对哈密瓜表面农药残留的可见-近红外光谱表达能力较强。此外,构建AlexNet、VGG-16卷积神经网络(CNN)模型和支持向量机(SVM)、极限学习机(ELM)机器学习模型与提出的多尺度CNN模型进行性能对比。结果表明,3种CNN模型对哈密瓜表面有无农药残留的判别效果较好,综合判别准确率均高于SVM和ELM模型。对比3种CNN模型性能,多尺度CNN模型的性能最佳,训练耗时为14 s,综合判别准确率为98.33%。多尺度CNN模型结构利用多种小尺寸滤波器组合(1×1,3×3和5×5)和并行卷积模块,能够捕获不同层次和尺度的特征,通过级联融合模式进行深度特征融合,提高了模型的特征提取能力。与传统深度CNN模型相比,在保证计算复杂度不变的情况下,多尺度CNN模型的精度得到了有效提高。实验结果表明,GADF变换结合多尺度CNN模型可以有效进行光谱数据解析,利用可见-近红外光谱技术可以实现哈密瓜表面农药残留的定性判别。研究结果为大型瓜果表面农药残留的快速无损检测技术的研发提供了理论参考。