基于机器视觉的蚕豆缺陷检测系统研究

作     者：杨金松 

作者单位：辽宁科技大学 

学位级别：硕士

导师姓名：李志刚

授予年度：2023年

学科分类：08[工学] 080203[工学-机械设计及理论] 09[农学] 0802[工学-机械工程] 0902[农学-园艺学] 090202[农学-蔬菜学] 

主      题：蚕豆缺陷分类 特征提取 MSG-DenseNet BRI-VGG MiAt-GoogLeNet 

摘      要：蚕豆是世界上第三大重要的冬季食用豆作物,具有极高的营养价值。然而在蚕豆的运输、储藏、加工过程中,其外壳颜色会加深,甚至腐烂变质,豆粒品质也会受到影响,早些年主要使用人工法对蚕豆进行分类和筛选,但存在分类错误率高和效率低等问题。为了提高蚕豆分类的准确率和效率,本文采用深度学习算法解决鄂蚕豆一号的缺陷分类任务,对DenseNet、VGG、Goog LeNet等经典模型进行改进,提出了三种蚕豆缺陷分类算法。基于MSG-DenseNet-Cos Ann的模型准确率达到了98.43%;基于BRI-VGG-Cos Ann的模型准确率达到了98.71%;基于Mi At-Goog LeNet-Cos Ann的模型准确率达到了98.93%。与原算法模型相比,三种改进算法的准确率分别提高了1.5%、1.85%、2.36%。全文主要工作如下:1.对密集卷积神经网络DenseNet121的特征提取层进行改进,提出了多尺度注意力密集连接卷积神经网络模型。DenseNet121的特征提取部分由密集块Dense块构成,因其固定的3×3大小的卷积核,会丢失不同感受野下的特征信息。本文引入Inception多尺度结构,与Dense Block组成MS双分支结构,在MS结构上嵌入GAM模块加强特征信息的提取,设计了MSG多尺度注意力密集连接块。仿真结果表明多尺度密集连接注意力模块增强了模型的特征提取能力。2.对卷积神经网络VGG的特征提取层进行改进,提出了多尺度残差卷积神经网络模型。VGG属于深层卷积神经网络,在经过多层卷积后,特征维度越来越小,会损失部分特征信息,并且模型参数量大。因此引入ResNet-Inception结构替换VGG中的部分卷积层,降低特征丢失的风险和模型参数量。加入平均池化、Dropout、批量归一化等,移除部分全连接层。仿真结果表明与VGG系列原模型相比,本文提出的BRI-VGG多尺度残差模型具有明显优势。3.对ResNet18、ResNet34、Goog LeNet、DenseNet121等网络模型进行改进,引入AttBn注意力结构,将浅层特征与深层抽象特征进行融合,设计了四种注意力融合模型。将融合模型中表现最佳的AttBn-Goog LeNet模型进行改进,设计了简化的Mi At-Goog LeNet模型。最后在MSG-DenseNet、BRI-VGG、Mi At-Goog LeNet上引入带有重启效应的余弦退火算法调节学习率。仿真结果表明本文设计的模型具有更高的分类性能,模型的训练参数也大幅减少。