[發(fā)明專利]一種基于機器學(xué)習(xí)的蘋果無損檢測方法

在審

• 申請?zhí)枺?/td>: 202110906221.5
• 申請日: 2021-08-09
• 公開（公告）號: CN113624759A
• 公開（公告）日: 2021-11-09
• 發(fā)明（設(shè)計）人: 郝紅娟;王九鑫;劉宇程;盧定澤;蘇耀恒;楊寧;吳鑫;李文龍;王康華;杜雨蓉;楊彤彤;王明墺;張倩;陳琳;張芷葉;黃磊;張亞鑫
• 申請（專利權(quán)）人: 西安工程大學(xué)
• 主分類號: G01N21/84
• 分類號: G01N21/84;G01N29/04;G01N29/12;G06K9/62;G06N3/04;G06N3/08;G06T5/00;G06T7/00
• 代理公司: 北京中索知識產(chǎn)權(quán)代理有限公司 11640
• 代理人: 周國勇

1.一種基于機器學(xué)習(xí)的蘋果無損檢測方法，其特征在于，所述方法包括：

S0、收集蘋果的外觀圖片、大小數(shù)據(jù)以及內(nèi)部超聲無損數(shù)據(jù)、內(nèi)部共振聲波數(shù)據(jù)，并對其進行訓(xùn)練得到訓(xùn)練模型；

S1、設(shè)定蘋果品質(zhì)篩選區(qū)間；

S2、傳送蘋果到外觀無損檢測區(qū)；

S3、獲取待檢測蘋果的外觀圖片，去除圖片椒鹽噪聲，并利用訓(xùn)練好的模型對蘋果的外觀圖片進行識別，從識別結(jié)果可以確定所需蘋果；

S4、將S3中篩選出的所需蘋果傳送至內(nèi)部無損檢測區(qū)，同時將無關(guān)蘋果傳送至另選區(qū)，待重新設(shè)置參數(shù)進行篩選；

S5、獲取內(nèi)部無損檢測區(qū)待檢測蘋果的內(nèi)部超聲無損數(shù)據(jù)，利用訓(xùn)練好的模型對蘋果的內(nèi)部進行無損判斷，確定其內(nèi)部無病，若內(nèi)部有病，傳送至專門區(qū)域，若無病，進入步驟S6；

S6、獲取待檢測蘋果的內(nèi)部共振聲波數(shù)據(jù)，利用訓(xùn)練好的模型對蘋果的內(nèi)部物質(zhì)含量進行判斷，按照其物質(zhì)含量進行分類，將篩選好的蘋果傳送至指定區(qū)域；

S7、重新設(shè)置品質(zhì)篩選區(qū)間對S4中無關(guān)蘋果進行另行篩選，重復(fù)步驟S2-步驟S7，完成所有蘋果的分類。

2.如權(quán)利要求1所述的一種基于機器學(xué)習(xí)機器學(xué)習(xí)的蘋果無損檢測方法，其特征在于，所述步驟S5中的獲取內(nèi)部無損檢測區(qū)待檢測蘋果的內(nèi)部超聲無損數(shù)據(jù)是利用超聲穿透法，采用非接觸的空氣耦合技術(shù)的方法獲取內(nèi)部超聲無損數(shù)據(jù)。

3.如權(quán)利要求2所述的一種基于機器學(xué)習(xí)機器學(xué)習(xí)的蘋果無損檢測方法，其特征在于，所述步驟S0為：

通過蘋果的外觀圖片，使用步驟S1中所述的品質(zhì)區(qū)間進行標注，給予標簽，用于訓(xùn)練基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型；

通過收集內(nèi)部超聲無損數(shù)據(jù)、內(nèi)部共振聲波數(shù)據(jù)，使用步驟S1中所述的品質(zhì)區(qū)間進行標注，給予標簽，用于訓(xùn)練基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)-循環(huán)神經(jīng)網(wǎng)絡(luò)模型。

4.如權(quán)利要求3所述的一種基于機器學(xué)習(xí)的蘋果無損檢測方法，其特征在于，所述訓(xùn)練基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型包括：

(1)對采集到的蘋果外觀圖像進行預(yù)處理，得到子圖像，按照一定比例隨機分為訓(xùn)練集、驗證集和測試集；

(2)將訓(xùn)練集的數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在得到訓(xùn)練好的網(wǎng)絡(luò)模型；

(3)將測試集的數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)模型中，得到初步測試結(jié)果；

(4)基于訓(xùn)練后的模型對樣本數(shù)據(jù)集進行測試和和精度評價，根據(jù)評價結(jié)果對模型參數(shù)進行調(diào)試和優(yōu)化，重復(fù)步驟(1)-步驟(3)，直到模型穩(wěn)定后生成最終模型參數(shù)；

模型采用SSIM損失函數(shù)描述真實值與預(yù)測值的差異，并基于此對模型進行調(diào)試和優(yōu)化，具體為：

式中，x與y分別表示兩張圖片，μ_x、μ_y表示x、y的平均值，σ_x、σ_y表示x、y的標準差，σ_xy表示x、y的協(xié)方差，c₁、c₂代表常數(shù)，避免分母為零造成的系數(shù)錯誤。

5.如權(quán)利要求4所述的一種基于機器學(xué)習(xí)機器學(xué)習(xí)的蘋果無損檢測方法，其特征在于，步驟S3中所述的模型為CNN模型。

6.如權(quán)利要求3所述的一種基于機器學(xué)習(xí)的蘋果無損檢測方法，其特征在于，所述訓(xùn)練基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)-循環(huán)神經(jīng)網(wǎng)絡(luò)模型包括：

(1)對采集到的蘋果內(nèi)部超聲無損數(shù)據(jù)、內(nèi)部共振聲波數(shù)據(jù)進行預(yù)處理，按照一定比例隨機分為訓(xùn)練集、驗證集和測試集；

(2)將訓(xùn)練集的數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)-循環(huán)神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，在得到訓(xùn)練好的網(wǎng)絡(luò)模型；

(3)將測試集的數(shù)據(jù)輸入訓(xùn)練好的網(wǎng)絡(luò)模型中，得到初步測試結(jié)果；

(4)基于訓(xùn)練后的模型對樣本數(shù)據(jù)集行進測試和和精度評價，根據(jù)評價結(jié)果對模型參數(shù)進行調(diào)試和優(yōu)化，重復(fù)步驟(1)-步驟(3)，直到模型穩(wěn)定后生成最終模型參數(shù)；

模型采用循環(huán)神經(jīng)網(wǎng)絡(luò)取代卷積神經(jīng)網(wǎng)絡(luò)全連接層，輸出模型為循環(huán)神經(jīng)網(wǎng)絡(luò)中的LSTM模型。

7.如權(quán)利要求6所述的一種基于機器學(xué)習(xí)的蘋果無損檢測方法，其特征在于，步驟S5和S6中所述的模型為CNN-RNN模型。