基于CNN的冰糖橙分级系统

为了提高冰糖橙的产业竞争力和效益,在售前对其进行分级是一道重要的工序。针对传统的冰糖橙表面缺陷分级方法存在工作繁琐且受人为因素干扰大的问题,本研究设计了一种将卷积神经网络(Convolutional Neural Networks,CNN)算法与虚拟仪器技术相结合的冰糖橙表面缺陷智能分级系统,并基于LabVIEW2018平台设计开发了一套冰糖橙分级系统。通过实验验证,该系统识别率达96.67%,验证了该分级方法和分级系统的有效性和可行性。     

基于计算机视觉技术的天麻分选装置设计

为了解决天麻外观品质检测问题,设计了一种在线实时检测装置,用于天麻的品质动态实时检测。为此,确定了关键部件主要结构和参数,阐述了其总体结构及工作原理。天麻通过放料部分进入滚筒,经滚筒传输至上料部分,上料部分的辊轮将其运送到翻滚槽口,经翻转后进入托盘机构,托盘机构在链条的带动下以一定速度向前输送至图像采集部分,从而获取天麻整个表面信息。图像识别系统对采集到的天麻图像进行综合分析判断,确定天麻品质和位置信息,传送给分选执行机构,对天麻进行智能分选。试验结果表明:识别模型识别效率为99.34%,步长为7.06个/s,准确率为95%,可为天麻分选装置设计生产提供理论指导。     

提取方法对天麻多糖提取率及其抗氧化活性的影响

目的为解决传统天麻表面破损主要依靠人工检测的问题,提出将残差神经网络模型(Faster R-CNN ResNet101)检测方法应用到天麻表面破损识别中,以期取得较好的识别效果。方法以腐烂、霉变、机械损伤和完好等4类天麻为研究对象,在卷积神经网络和区域候选网络的基础上构建模型,然后在tensorflow框架上实现模型检测,最后对比分析结果。结果天麻表面破损检测模型利用Faster R-CNN ResNet101网络中的输入卷积层以及4个卷积组进行特征提取,区域候选网络生成天麻表面破损的初步位置候选框,实现候选框的分类和定位,其识别率达95.14%,且查准率为0.94,召回率为0.92。与SSD (Single Shot multibox Detector)、Faster_rcnn_inception和Rfcn_resnet101等3种神经网络识别方法对比,识别率分别提高了13.02%、10.69%和12.02%。结论该模型具有泛化能力强、准确率较高和鲁棒性较好等特点,为农产品的识别研究提供了参考和借鉴。