一种基于深度学习的鸡胴体缺陷高光谱图像检测方法技术

本发明专利技术属于机器视觉高光谱图像检测领域，公开一种基于深度学习的鸡胴体缺陷高光谱图像检测方法，包括：高光谱数据处理模块，用于处理鸡胴体高光谱图像数据；图像处理与数据集制作模块，用于对高光谱数据处理模块输出的原始图像进行图像处理，并制作数据集；目标检测模块，构建改进的Faster RCNN模型用以检测和框选鸡胴体缺陷目标；语义分割模块，用改进的U

【技术实现步骤摘要】
一种基于深度学习的鸡胴体缺陷高光谱图像检测方法


[0001]本专利技术属于机器视觉高光谱图像检测领域，尤其涉及一种基于深度学习的鸡胴体缺陷高光谱图像检测方法。

技术介绍

[0002]肉鸡是农副产品中肉制品的一种，随着全球对食品安全和品质的要求越来越高，对肉鸡品质的检测、分级和分类也提出了更高的要求。肉鸡胴体体表完整程度是评定肉鸡质量等级的重要指标之一，表皮损伤与否决定着鸡胴体体表完整程度，但现阶段所使用的人工检测鸡胴体表皮损伤的方法存在准确率低速度慢等缺点。
[0003]已公开的专利中，涉及使用高光谱图像对鸡胴体体表完整性进行检测的情况如下：
[0004]专利CN106251328B提出了一种利用二维高光谱图像识别鸡胴体表面污染物的方法，该方法以检测鸡胴体表面的胆汁、血液、粪便等污物为目的，通过光谱分析方法构建假彩图像，利用颜色分割算法识别污物。但是胆汁，血液污染物的浓度会影响检测性能。专利CN101650317A提出了一种鸡胴体表面污染物检测方法，该方法针对回肠盲肠内容物、尘土等污物，对4个波段图像做比率图像拉伸与二值化，鉴定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的鸡胴体缺陷高光谱图像检测方法，其特征在于，步骤如下：鸡胴体缺陷高光谱图像检测方法包括高光谱数据处理模块、图像处理与数据集制作模块、目标检测模块、语义分割模块；(1)高光谱数据处理模块，获取与处理鸡胴体缺陷高光谱图像数据；S1.1使用高光谱相机采集鸡胴体的高光谱图像；S1.2数据预处理：对高光谱图像进行黑白校正，消除噪声暗电流的干扰，并采集鸡胴体表皮的光谱数据；S1.3对步骤S1.2中提取到的光谱数据进行特征波段选择，采用最大差值波段选择方法选出鸡胴体体表有损伤与无损伤对比最明显的波段及其图像；(2)图像处理与数据集制作模块，对高光谱数据处理模块输出的原始图像进行图像处理，并完成目标检测模型数据集制作；S2.1将步骤S1.3中输出的图像进行预处理，去掉鸡胴体背景的噪声、干扰信息以及其他影响目标检测准确性的因素；S2.2使用图像标注工具LabelImg对步骤S2.1处理后的图像进行标注，其中每个图像标注后都会产生一个包含该图像中所含表皮损伤的边界框坐标和分类标签属性文件，标注完成后所有的图像及其属性文件共同构成图像数据集；统计标注时边界框的尺度分布情况，包括尺度大小和高宽比，为目标检测模型设计针对鸡胴体缺陷的Anchor提供参考信息；S2.3对步骤S2.2中图像数据集进行数据增强，提高模型的泛化能力；将数据增强后的数据集随机按照7:3的比例划分为训练集和测试集；(3)目标检测模块，使用改进的Faster RCNN网络模型进行鸡胴体缺陷目标检测；S3.1构建改进的Faster RCNN鸡胴体缺陷目标检测网络模型；利用改进的Faster RCNN鸡胴体缺陷目标检测网络模型先检测鸡胴体表面是否有损伤缺陷，若有则将缺陷用边界框框出，得到一个框有缺陷的边界框图像，将此边界框图像送入改进的U
‑
net鸡胴体缺陷分割网络模型，改进的U
‑
net鸡胴体缺陷分割网络模型作为一种语义分割模型再将边界框图像中的表皮破损缺陷进行精确分割；改进的Faster RCNN鸡胴体缺陷目标检测网络模型即采用ResNet50
‑
FPN作为特征提取骨干网络，其中在ResNet50第五阶段的残差块部分用PSA注意力模块取代原有的3
×
3卷积，然后ResNet50与FPN通过横向连接的方式将各自的特征图结合起来生成一组多尺度特征图用于后续处理；S3.2使用图像处理与数据集制作模块中...

【专利技术属性】
技术研发人员：王慧慧，张宇康，李春鹏，段留奎，张旭，刘阳，杨继新，李胜杰，
申请(专利权)人：大连工业大学，
类型：发明
国别省市：