水果外部缺陷會(huì)造成水果賣相不佳，營(yíng)養(yǎng)價(jià)值降低或已被污染，因此售價(jià)往往較低。工業(yè)分揀和分級(jí)機(jī)器可利用計(jì)算機(jī)視覺（CV）根據(jù)顏色、大小和質(zhì)地等不同標(biāo)準(zhǔn)來區(qū)分食品，但當(dāng)前所使用的傳統(tǒng)計(jì)算機(jī)視覺系統(tǒng)（TCVS）缺乏能夠檢測(cè)多種外部缺陷的算法。因此，需要一種更好的檢測(cè)算法來對(duì)水果進(jìn)行分級(jí)，以確保將最好的水果送入消費(fèi)市場(chǎng)。

巴西坎皮納斯州立大學(xué)的學(xué)者們?cè)凇禕IOSYSTEMS ENGINEERING》合作發(fā)表了一篇題為“Computer vision based detection of external defects on tomatoes using deep learning”的研究論文，報(bào)道了一種基于計(jì)算機(jī)視覺和深度學(xué)習(xí)的番茄外部缺陷檢測(cè)方法，研究提出的整個(gè)番茄分類流程如圖1所示。

圖 1番茄分類流程

?

通過圖2所示裝置獲取了一個(gè)包含43843幅圖像的數(shù)據(jù)集。經(jīng)過富有經(jīng)驗(yàn)的專業(yè)人員人工標(biāo)注后獲得38884幅無缺陷圖像樣本和4959幅外部缺陷樣本，按照2：1：1的比例確定了訓(xùn)練集、驗(yàn)證集和測(cè)試集。

?

該研究選取了深度殘差神經(jīng)網(wǎng)絡(luò)（ResNet）構(gòu)建了模型框架（如圖3），無需圖像分割、特征工程或特征選擇。由于從頭開始訓(xùn)練DNNs需要足夠強(qiáng)的GPU和大量的訓(xùn)練樣本，該研究采用遷移學(xué)習(xí)代替了從頭開始的訓(xùn)練，并制定了三步訓(xùn)練策略。

圖 3深度殘差神經(jīng)網(wǎng)絡(luò)框架

?

結(jié)果表明，當(dāng)有足夠的數(shù)據(jù)樣本時(shí)，結(jié)果最好的模型是ResNet50。該模型在驗(yàn)證集上和測(cè)試集上的平均精度分別達(dá)到了94.2%和94.6%。最佳分類器的召回率為86.6%，準(zhǔn)確率為91.7%。

圖4為分揀機(jī)檢測(cè)決策流程圖，圖中主要顯示了攝像室內(nèi)的檢測(cè)過程，它將傳感器和執(zhí)行器等細(xì)節(jié)抽象化。檢測(cè)閾值由用戶選擇，可以是最優(yōu)值（0.4%）或滿足排序過程的精度和召回要求的另一個(gè)值。

圖 4外部缺陷檢測(cè)的決策流程

綜合來看，使用深度自動(dòng)編碼器和一類分類器等異常檢測(cè)技術(shù)很可能會(huì)進(jìn)一步改善分揀結(jié)果，但對(duì)性能的影響取決于模型復(fù)雜度的增加。該模型本身沒有關(guān)于番茄的先驗(yàn)知識(shí)，也沒有可用的提高模型性能的人工特征工程，如果建立了相應(yīng)的數(shù)據(jù)集，該模型就可以擴(kuò)展應(yīng)用到其他食品分級(jí)中。

編輯：黃飛

?