基于卷积神经网络的苹果缺陷检测方法及系统技术方案

本公开提供了一种基于卷积神经网络的苹果缺陷检测方法及系统，属于水果缺陷检测技术领域，所述方法包括以下步骤：获取苹果的图像数据；对获取的图像数据进行预处理；将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素；本公开降低了花梗和花萼对缺陷检测精确度的影响，能够实现苹果的高效和准确的缺陷识别。

【技术实现步骤摘要】
基于卷积神经网络的苹果缺陷检测方法及系统
本公开涉及水果缺陷检测
，特别涉及一种基于卷积神经网络的苹果缺陷检测方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本公开相关的
技术介绍
，并不必然构成现有技术。在苹果的生长过程中，经常会受到各种因素的影响导致苹果表面出现缺陷，从而影响苹果的外观，甚至使其丧失了可食性，极大地影响了苹果的品质和销售。由此可见，对新鲜苹果的表面缺陷检测显得尤为重要。传统的检测方法大多是人工操作，耗时耗力，而且效率低，无法满足大规模生产的需求。因此，研究人员开始寻求开发研制一种快速、无损、高效的苹果表面缺陷检测方法以实现快速的苹果分级。本公开专利技术人发现，由于苹果的果梗和花萼部分的影响，对缺陷部分的分割和识别存在较大的干扰，采用传统的机器学习方法不能够达到很好的识别效果；而且采用传统的机器学习方法必须分割出缺陷区域，人工提取特征后再交给分类器进行检测，检测效率和准确度较低。
技术实现思路
为了解决现有技术的不足，本公开提供了一种基于卷积神经网络的苹果缺陷检测方法及系统，降低了花梗和本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的苹果缺陷检测方法，其特征在于，包括以下步骤：/n获取苹果的图像数据；/n对获取的图像数据进行预处理；/n将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；/n其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。/n

【技术特征摘要】
1.一种基于卷积神经网络的苹果缺陷检测方法，其特征在于，包括以下步骤：
获取苹果的图像数据；
对获取的图像数据进行预处理；
将预处理后的图像数据输入到预设卷积神经网络模型中，得到苹果缺陷检测结果；
其中，对获取的图像数据进行预处理包括：采用最大类间方差法去除苹果背景，并调整图像分辨率为预设像素。


2.如权利要求1所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，将获取的图像数据由RGB模式转换为HSI颜色模式，提取S分量灰度图用于阈值分割。


3.如权利要求1所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，最大类间方差法去除苹果背景，包括：
属于前景的像素点数占整幅图像的比例记为第一比例，平均灰度为第一灰度；背景像素点数占整幅图像的比例为第二比例，平均灰度为第二灰度，图像的总平均灰度为第三灰度；
根据第一比例、第一灰度、第二比例、第二灰度和第三灰度得到类间方差；
采用循环遍历的方法得到最大的类间方差，最大的类间方差对应的阈值为分割阈值；
根据得到的分割阈值进行二值化处理，并采用形态学方式得到苹果图像的掩膜，再与苹果原图相乘去除苹果背景。


4.如权利要求3所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，第一灰度与第三灰度的差的平方与第一比例的乘积为第一变量，第二灰度与第三灰度的差的平方与第二比例的乘积为第二变量，第一变量和第二变量的和为类间方差。


5.如权利要求3所述的基于卷积神经网络的苹果缺陷检测方法，其特征在于，图像中像素的灰度值小于分割阈值的像素个数记作第一数量，像素灰度大于分割阈值的像素个数记作第二数量；
第一比例为第一数量与S分量灰度图的行数和列数的...

【专利技术属性】
技术研发人员：申涛，赵钦君，许铮，张玉华，张长峰，毕淑慧，马荔瑶，
申请(专利权)人：济南大学，山东商业职业技术学院，
类型：发明
国别省市：山东;37