[发明专利]一种基于残差网络的苹果分级方法及系统

说明书

本公开提供了一种基于残差网络的苹果分级方法及系统，包括：获取苹果的外观图像；根据获取的外观图像以及预设的苹果分级网络模型，得到苹果的分级结果；其中，苹果分级网络模型通过训练改进后的残差网络得到；具体的，通过加入卷积注意力模块和带泄露线性整流函数实现残差网络的改进；本公开通过改进的残差网络实现了基于外观的苹果分级；使用大津法在HSI色彩通道上对苹果图像进行分割，通过加入卷积注意力模块和LeakyReLU激活函数(带泄露线性整流函数)，对残差网络进行改进，将其应用于苹果分级，并与其它卷积神经网络的分级结果进行对比，证明了改进的残差网络能够更好的实现苹果分级。

技术领域

本公开属于机器视觉技术领域，尤其涉及一种基于残差网络的苹果分级方法及系统。

背景技术

苹果分级是苹果产业中重要环节；在苹果的生长、采摘和运送环节都会或多或少产生腐烂、病虫害和碾压等损伤对苹果品质造成影响，并且苹果的果形、果径以及色泽会影响到苹果的销售，进而影响到利润，所以对苹果进行分级就显得尤为重要；早期的苹果分级采用人工分拣方式，这种方式不仅会消耗大量人力，而且分拣速度慢、效率低；因此，实现对苹果的快速准确分级对苹果行业的发展具有重要的意义。

目前，深度学习因其在数据处理方面的优势，已经被广泛应用于水果的品质检测与分类；深度神经网络(DNN)是基于多层神经网络的规则自学习算法，它包括卷积神经网络、循环神经网络、生成对抗式网络等；其中，卷积神经网络(CNN)是一类深度、前馈的神经网络，图像从输入层输入后，经过多层的卷积层和池化层对图像特征进行提取，最后由输出层输出结果；以下为深度学习在苹果检测与分级中的应用：张力超等将改进的LeNet-5网络应用于红富士和红元帅品类苹果的分级，准确率达到94.465％；岳有军等将改进的VGG网络应用于对正常苹果、病斑苹果和腐烂苹果的分类，在有无缺陷的识别上准确率达到99.25％；Xin Li等将ResNet网络应用于苹果叶病的识别以及分类，准确率达到96％；罗炤茜等在Keras框架上搭建卷积神经网络应用于苹果分级，达到93.78％的准确率。

本公开发明人发现，现有的深度学习在苹果检测与分级中的应用中，部分方法只在正常苹果、病斑苹果和腐烂苹果的有无缺陷识别以及苹果叶病的识别等方面取得了较高的识别准确度，而在苹果果形上分级的准确度还有提升的空间。

发明内容

本公开为了解决上述问题，提出了一种基于残差网络的苹果分级方法及系统，本公开通过改进的ResNet-50网络(改进的残差网络)实现了基于外观的苹果分级；使用大津法在HSI色彩通道上对苹果图像进行分割，通过加入卷积注意力模块和带泄露线性整流函数(LeakyReLU激活函数)，对ResNet-50网络进行改进，将其应用于苹果分级，并与其它卷积神经网络的分级结果进行对比，证明了改进的ResNet-50网络能够更好的实现苹果分级。

第一方面，本公开提供了一种基于残差网络的苹果分级方法，包括：

获取苹果的外观图像；

根据获取的外观图像以及预设的苹果分级网络模型，得到苹果的分级结果；

其中，苹果分级网络模型通过训练改进后的残差网络得到；具体的，通过加入卷积注意力模块和带泄露线性整流函数实现残差网络的改进。

进一步的，苹果分级网络模型的训练过程为：

获取苹果的外观图像，得到训练集；

对训练集中的外观图像进行数据扩充；

基于大津法对扩充后的数据进行图像分割；

根据分割后的图像数据对改进后的残差网络进行训练，得到苹果分级网络模型。

进一步的，获取苹果的外观图像时，每个苹果测量多次，分别从多个侧面和顶面不同位置获取苹果的外观图像。