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，降低了花梗和花萼对苹果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。为了实现上述目的，本公开采用如下技术方案：本公开第一方面提供了一种基于卷积神经网络的苹果缺陷检测方法。一种基于卷积神经网络的苹果缺陷检测方法，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。本公开第二方面提供了一种基于卷积神经网络的苹果缺陷检测系统。一种基于卷积神经网络的苹果缺陷检测系统，包括：数据获取模块，被配置为：获取苹果的图像数据；预处理模块，被配置为：对获取的图像数据进行预处理；缺陷检测模块，被配置为：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。本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于卷积神经网络的苹果缺陷检测方法中的步骤。本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于卷积神经网络的苹果缺陷检测方法中的步骤。与现有技术相比，本公开的有益效果是：1、本公开所述的方法、系统、介质及电子设备，通过对获取的图像进行预处理，有效的去除了苹果背景的影响，避免了花梗和花萼对苹果缺陷检测带来的影响，极大的提高了苹果缺陷检测的准确度。2、本公开所述的方法、系统、介质及电子设备，采用OTSU法(最大类间方差法)得到分割阈值，根据设定的阈值进行二值化处理，并采用形态学操作得到苹果图像的掩膜，再与苹果原图相乘以去除背景，进一步的避免了背景的感染对缺陷检测的影响。3、本公开所述的方法、系统、介质及电子设备，通过采用平移、缩放、旋转、翻转等方式对训练数据进行了扩容，通过少量的数据即可实现卷积神经网络模型的训练，避免了大规模的数据采集，降低了成本，提高了效率。4、本公开所述的方法、系统、介质及电子设备，预设卷积神经网络模型包括依次连接的输入层、第一卷积层、第一激活函数层、第一池化层、第二卷积层、第二激活函数层、第二池化层、第三卷积层、第三激活函数层、第三池化层、第一全连接层、第四激活函数层、第二全连接层、分类器和输出层，通过各层的依次设计及每层的参数设计，进一步的提升了苹果缺陷检测的准确度。附图说明构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。图1为本公开实施例1提供的基于卷积神经网络的苹果缺陷检测方法的流程示意图。图2为本公开实施例1提供的采集到的部分苹果原始图像的效果图。图3为本公开实施例1提供的图像预处理后的部分图像的效果图。图4为本公开实施例1提供的数据扩容后的部分图像的效果图。具体实施方式下面结合附图与实施例对本公开作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。实施例1：如图1所示，本公开实施例1提供了一种基于卷积神经网络的苹果缺陷检测方法，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。详细的，包括以下内容：S1：图像采集；S2：图像预处理；S3：数据集扩容；S4：构建卷积神经网络模型；S5：模型训练测试。S1中，图像训练数据的采集中，采用白色背景，将苹果放置于白纸上，在室内照明的环境下采用智能手机摄像头13Mp分辨率下分别采集缺陷果和无缺陷果两种类别。S2中，图像预处理包括：OTSU算法去除苹果背景，并调整图像分辨率大小为100*100像素。步骤如下：S2.1：将RGB模型转换为HSI颜色模型，提取S分量灰度图(M*N)用于阈值分割，颜色模型转换公式为：其中，S2.2：记目标和背景的分割阈值为T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，有：③N0+N1＝M*N；④ω0+ω1＝1；⑤μ＝ω0*μ0+ω1*μ1；则可由以下公式得到类间方差：g＝ω0*(μ0-μ)2+ω1*(μ1-μ)2(4)采用循环遍历的方法得到最大的类间方差，其对应的T即为分割阈值。S2.3：根据设定的阈值进行二值化处理，并采用形态学操作得到苹果图像的掩膜，再与苹果原图相乘即可去除背景，最后将苹果分辨率设置本文档来自技高网...

【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