基于知识蒸馏的胡萝卜外观品质等级智能检测

胡萝卜等级分类是提高胡萝卜市场竞争力的关键环节。传统的胡萝卜外部缺陷检测采用特征提取+分类器模式,需要手工定义特征,客观性差。为了解决上述问题,该研究提出一种基于知识蒸馏的网络模型,通过引入教师模型来指导学生模型的训练,在保证准确率的情况下减少网络模型的参数量和运行时间消耗。该试验采集了外观无缺陷以及黑斑、弯曲、带须根的四类胡萝卜样本图片,将其导入网络模型中进行训练。通过使用Resnet34、Resnet50、Resnet101这3个不同教师模型来指导学生模型Resnet18的训练,蒸馏模型平均准确率从94.3%分别提高到94.8%、95.2%、95.8%,其中Resnet101模型指导的Resnet18模型中正常胡萝卜识别率提高到100%,正常、黑斑、须根识别率提高约2%,模型训练时间为11.3 h。此外,传统Resnet50模型和Resnet101模型对数据集的识别准确率分别是96.3%和96.9%,模型训练时间分别是19.3 h和31.3 h。试验发现：蒸馏模型识别率大幅优于基于特征提取+分类器的传统模型,且随着教师模型网络深度的增加,模型识别率也进一步提高。从模型训练时间和模型部署上考虑,知识蒸馏是很有必要的,通过牺牲小部分准确率可以大大缩短模型训练时间和降低模型部署成本。该研究所提出的知识蒸馏模型作为一种轻量级前端部署方法,对于改进胡萝卜外观品质自动检测装置的性能具有积极意义。     

基于数据平衡和深度学习的开心果品质视觉检测方法

为探究数据集中分类数量的平衡性对开心果品质检测的影响,将开心果图像与深度学习网络相结合,提出一种数据自动平衡的检测方法。根据行业标准将开心果数据集分为开口、闭口和缺陷3类,在此基础上再分为未经数据平衡和经过数据平衡2个数据集,分别使用AlexNet、GoogLeNet、ResNet50、SqueezeNet、ShuffleNet和Xception 6种网络对2类数据集进行分类测试。结果表明,经过数据平衡的数据集网络准确率均得到了提高,6种网络平均测试准确率由96.75%提高到99.26%,SqueezeNet网络的测试集准确率提升最明显,由93.76%提高到99.02%,ResNet50网络的测试准确率最高,为99.96%。本文方法可用于开心果品质视觉检测。