基于数据平衡和深度学习的开心果品质视觉检测方法

摘要：

为探究数据集中分类数量的平衡性对开心果品质检测的影响,将开心果图像与深度学习网络相结合,提出一种数据自动平衡的检测方法.根据行业标准将开心果数据集分为开口、闭口和缺陷3类,在此基础上再分为未经数据平衡和经过数据平衡2个数据集,分别使用AlexNet、GoogLeNet、ResNet50、SqueezeNet、ShuffleNet和Xception 6种网络对2类数据集进行分类测试.结果表明,经过数据平衡的数据集网络准确率均得到了提高,6种网络平均测试准确率由96.75％提高到99.26％,SqueezeNet网络的测试集准确率提升最明显,由93.76％提高到99.02％,ResNet50网络的测试准确率最高,为99.96％.本文方法可用于开心果品质视觉检测.

关键词：开心果;深度学习;数据平衡;视觉检测

所属期刊栏目：52

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目;山东省重点研发计划项目;山东省高等学校青创计划团队项目;青岛市科技发展计划项目

在线出版日期：2021-08-17（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：367-372