[發明專利]一種基于殘差網絡的蘋果分級方法及系統

在審

• 申請號: 202110974079.8
• 申請日: 2021-08-24
• 公開（公告）號: CN113610857A
• 公開（公告）日: 2021-11-05
• 發明（設計）人: 趙欽君;趙雷;申濤;畢淑慧;宋帥博;李學斌
• 申請（專利權）人: 濟南大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/136
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 黃海麗

本公開提供了一種基于殘差網絡的蘋果分級方法及系統，包括：獲取蘋果的外觀圖像；根據獲取的外觀圖像以及預設的蘋果分級網絡模型，得到蘋果的分級結果；其中，蘋果分級網絡模型通過訓練改進后的殘差網絡得到；具體的，通過加入卷積注意力模塊和帶泄露線性整流函數實現殘差網絡的改進；本公開通過改進的殘差網絡實現了基于外觀的蘋果分級；使用大津法在HSI色彩通道上對蘋果圖像進行分割，通過加入卷積注意力模塊和LeakyReLU激活函數(帶泄露線性整流函數)，對殘差網絡進行改進，將其應用于蘋果分級，并與其它卷積神經網絡的分級結果進行對比，證明了改進的殘差網絡能夠更好的實現蘋果分級。

技術領域

本公開屬于機器視覺技術領域，尤其涉及一種基于殘差網絡的蘋果分級方法及系統。

背景技術

蘋果分級是蘋果產業中重要環節；在蘋果的生長、采摘和運送環節都會或多或少產生腐爛、病蟲害和碾壓等損傷對蘋果品質造成影響，并且蘋果的果形、果徑以及色澤會影響到蘋果的銷售，進而影響到利潤，所以對蘋果進行分級就顯得尤為重要；早期的蘋果分級采用人工分揀方式，這種方式不僅會消耗大量人力，而且分揀速度慢、效率低；因此，實現對蘋果的快速準確分級對蘋果行業的發展具有重要的意義。

目前，深度學習因其在數據處理方面的優勢，已經被廣泛應用于水果的品質檢測與分類；深度神經網絡(DNN)是基于多層神經網絡的規則自學習算法，它包括卷積神經網絡、循環神經網絡、生成對抗式網絡等；其中，卷積神經網絡(CNN)是一類深度、前饋的神經網絡，圖像從輸入層輸入后，經過多層的卷積層和池化層對圖像特征進行提取，最后由輸出層輸出結果；以下為深度學習在蘋果檢測與分級中的應用：張力超等將改進的LeNet-5網絡應用于紅富士和紅元帥品類蘋果的分級，準確率達到94.465％；岳有軍等將改進的VGG網絡應用于對正常蘋果、病斑蘋果和腐爛蘋果的分類，在有無缺陷的識別上準確率達到99.25％；Xin Li等將ResNet網絡應用于蘋果葉病的識別以及分類，準確率達到96％；羅炤茜等在Keras框架上搭建卷積神經網絡應用于蘋果分級，達到93.78％的準確率。

本公開發明人發現，現有的深度學習在蘋果檢測與分級中的應用中，部分方法只在正常蘋果、病斑蘋果和腐爛蘋果的有無缺陷識別以及蘋果葉病的識別等方面取得了較高的識別準確度，而在蘋果果形上分級的準確度還有提升的空間。

發明內容

本公開為了解決上述問題，提出了一種基于殘差網絡的蘋果分級方法及系統，本公開通過改進的ResNet-50網絡(改進的殘差網絡)實現了基于外觀的蘋果分級；使用大津法在HSI色彩通道上對蘋果圖像進行分割，通過加入卷積注意力模塊和帶泄露線性整流函數(LeakyReLU激活函數)，對ResNet-50網絡進行改進，將其應用于蘋果分級，并與其它卷積神經網絡的分級結果進行對比，證明了改進的ResNet-50網絡能夠更好的實現蘋果分級。

第一方面，本公開提供了一種基于殘差網絡的蘋果分級方法，包括：

獲取蘋果的外觀圖像；

根據獲取的外觀圖像以及預設的蘋果分級網絡模型，得到蘋果的分級結果；

其中，蘋果分級網絡模型通過訓練改進后的殘差網絡得到；具體的，通過加入卷積注意力模塊和帶泄露線性整流函數實現殘差網絡的改進。

進一步的，蘋果分級網絡模型的訓練過程為：

獲取蘋果的外觀圖像，得到訓練集；

對訓練集中的外觀圖像進行數據擴充；

基于大津法對擴充后的數據進行圖像分割；

根據分割后的圖像數據對改進后的殘差網絡進行訓練，得到蘋果分級網絡模型。

進一步的，獲取蘋果的外觀圖像時，每個蘋果測量多次，分別從多個側面和頂面不同位置獲取蘋果的外觀圖像。