基于深度卷积神经网络的食品包装缺陷检测算法研究

摘要：

在薯片流水线生产中,如果直接使用YOLOv5网络进行包装缺陷目标检测,精度不够高、训练时间偏长,于是提出了一种基于SENet-YOLOv5的食品包装缺陷目标检测方法.首先,从数据增强这一角度出发,改用了基于Canny边缘检测算法对数据进行处理.然后,在原先DarkNet-53主干网络中融合SENet网络,把重要的特征进行强化来提升准确率.其次,将3处传统卷积层替换为深度可分离卷积层,减少参数量和计算量,最后训练候选区域数据,从而精确地实现定位与分类缺陷.仿真训练结果得出:SENet-YOLOv5模型的检测精度与速度皆得到了提升,对薯片食品包装缺陷的检测准确率为94.6％,检测的平均精度均值(mAP)达到了94.8％,相较干YOLOv5算法提高了7.9个百分点,识别速度大幅度提升.表明所提SENet-YOLOv5缺陷检测方法可应用于薯愿包装检测以提高企业的工作效率.

关键词：食品缺陷检测、卷积神经网络、YOLOv5、深度学习

所属期刊栏目：13

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2023-04-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：10-15