基于輕量卷積網(wǎng)絡(luò)的馬鈴薯外部缺陷無損分級

楊 森，馮 全,*，張建華，王關(guān)平，張 鵬，閆紅強(qiáng)

（1.甘肅農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，甘肅 蘭州 730070；2.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081）

馬鈴薯是我國重要的農(nóng)作物之一，馬鈴薯的外部品質(zhì)直接影響產(chǎn)品的經(jīng)濟(jì)效益，同時也是制約馬鈴薯包裝、貯藏和深加工的主要因素[1]?，F(xiàn)階段馬鈴薯的品質(zhì)分級主要采用人工檢測方式，該類方法具勞動強(qiáng)度大、效率低、成本高和一致性差等缺點(diǎn)[2-3]，阻礙了馬鈴薯產(chǎn)業(yè)的規(guī)?；l(fā)展。圖像信息直觀反映了馬鈴薯外部特征，利用機(jī)器視覺技術(shù)能夠?qū)嵤R鈴薯外部品質(zhì)的快速、無損檢測[4-6]，且在馬鈴薯收獲后的在線分級方面有較大的應(yīng)用價值。目前對于馬鈴薯的分級研究主要集中在外部缺陷與薯形檢測方面，湯全武等[7]結(jié)合高光譜技術(shù)與圖像處理技術(shù)，利用主成分分析和小波變換法提取馬鈴薯外部缺陷特征，正確率達(dá)到94.20%；蘇文浩等[8]運(yùn)用高光譜圖像技術(shù)檢測7 種類型馬鈴薯缺陷，對選取的5 個特征波進(jìn)行主成分分析法和圖像差值算法，缺陷的正確識別率達(dá)到96.43%；郭紅艷等[9]采用偏最小二乘回歸系數(shù)法對高光譜成像馬鈴薯提取特征，建立馬鈴薯環(huán)腐病的線性判別模型，識別準(zhǔn)確率達(dá)到93.33%。李小昱等[10]提出一種基于高光譜圖像與果蠅優(yōu)化算法相結(jié)合的馬鈴薯輕微碰傷檢測方法，模型識別的準(zhǔn)確率為100%；Angel等[11]利用高光譜技術(shù)快速檢測結(jié)痂的馬鈴薯，系統(tǒng)的分類準(zhǔn)確率為97.1%；Trong等[12]結(jié)合高光譜技術(shù)與圖像處理技術(shù)，通過計算剩余的生料部分面積與馬鈴薯總面積的比率，可以預(yù)測出馬鈴薯最佳蒸煮時間。Dai Fen等[13]利用近紅外拉曼光譜對3 類馬鈴薯品種進(jìn)行識別，結(jié)果表明近紅外拉曼光譜相比熒光光譜法具有較好的分類效果。以上方法都采用高光譜成像技術(shù)與圖像處理結(jié)合進(jìn)行檢測，該類方法識別的準(zhǔn)確率相對較高，但需要特定的圖像光譜儀采集馬鈴薯圖像，與機(jī)器視覺技術(shù)相比成本高，處理速度慢。此外，國內(nèi)外學(xué)者利用機(jī)器視覺技術(shù)實現(xiàn)馬鈴薯的自動分級，Hassankhani等[14]利用閾值法分割出馬鈴薯目標(biāo)，提取直徑，面積和周長特征參數(shù)，建立大、中、小3 類馬鈴薯的分級模型。王紅軍等[15]利用機(jī)器視覺技術(shù)提取9 個馬鈴薯特征數(shù)據(jù)，結(jié)合主成分分析法和多元線性回歸法，建立馬鈴薯質(zhì)量與形狀預(yù)測模型，分級準(zhǔn)確率為86.7%。Razmjooy等[16]基于馬鈴薯顏色特征和支持向量機(jī)分類器，設(shè)計了一種馬鈴薯表面缺陷識別系統(tǒng)。Barnes等[17]利用自適應(yīng)增強(qiáng)算法從分割區(qū)域自動提取最佳特征，準(zhǔn)確檢測出不同品種和不同新鮮程度的馬鈴薯斑點(diǎn)缺陷。

通過已有的分級方法分析，該類檢測方法主要通過提取顏色、紋理、直徑和形狀等特征參數(shù)，利用特定的分類器訓(xùn)練出馬鈴薯分級模型，雖然取得了較好的效果，但實驗多為單一類型缺陷的識別，且對特征相似的不同缺陷難以區(qū)分，具有適應(yīng)性差的特點(diǎn)。輕量卷積神經(jīng)網(wǎng)絡(luò)相比傳統(tǒng)的學(xué)習(xí)方法在特征提取方面具有更強(qiáng)的表達(dá)能力，MobileNet和ShuffleNet網(wǎng)絡(luò)[18]在工業(yè)表面缺陷檢測方面具有較好的效果，但在農(nóng)產(chǎn)品缺陷分級檢測方面研究相對較少。姚明海等[19]結(jié)合SSR-Net輕量級卷積神經(jīng)網(wǎng)絡(luò)與主動學(xué)習(xí)對工件4 類疵病進(jìn)行識別，平均識別精度達(dá)到98.30%。陳俊松等[20]提出了一種基于改進(jìn)YOLOv3的筷子毛刺缺陷檢測方法，改進(jìn)后網(wǎng)絡(luò)能夠同時提高檢測速度和精度。劉洋[21]和Kamal[22]等利用輕量卷積網(wǎng)絡(luò)MobileNet對38 類健康和患病植物缺陷進(jìn)行識別，分類精度達(dá)到98.34%，參數(shù)比VGG網(wǎng)絡(luò)降低29 倍，表明高精度和小尺寸的輕量卷積網(wǎng)絡(luò)更適合于嵌入式設(shè)備的移植。針對馬鈴薯存在缺陷種類繁多和外形相似性高的問題，本實驗利用輕量卷積網(wǎng)絡(luò)自動提取馬鈴薯特征信息，通過遷移學(xué)習(xí)的方法訓(xùn)練出分級檢測模型，以期完成馬鈴薯外部缺陷的快速和準(zhǔn)確檢測。

1 材料與方法

1.1 材料

圖1 不同背景下馬鈴薯外部缺陷示例Fig.1 Examples of potato external defects in different backgrounds

馬鈴薯樣本采購于甘肅蘭州市蔬菜批發(fā)市場，挑選綠皮、發(fā)芽、機(jī)械損傷、腐爛4 類主要缺陷及合格馬鈴薯組成外部缺陷樣本集。部分缺陷樣本直接在市場上收集困難，將合格馬鈴薯通過黑色食品袋包裝，并在潮濕環(huán)境下放置1 個月，獲得綠皮、發(fā)芽和腐爛的馬鈴薯。馬鈴薯樣本采集的硬件設(shè)備為型號Cannon EOS1200D的數(shù)字相機(jī)，分辨率1 080像素×720像素，并在實驗臺上方安裝4 個LED燈，保持拍攝的所有的數(shù)據(jù)集光照條件一致。為增加馬鈴薯外部缺陷檢測網(wǎng)絡(luò)的適用范圍，實驗中設(shè)置不同背景對馬鈴薯圖像進(jìn)行采集，消除背景對模型的干擾。實驗中利用三腳架固定工業(yè)相機(jī)，設(shè)置相機(jī)距離馬鈴薯的高度為60 cm，且拍攝角度垂直于樣本，相機(jī)參數(shù)調(diào)節(jié)為近拍模式、自動白平衡和固定的相機(jī)焦距，拍攝時通過相機(jī)的藍(lán)牙功能控制圖像采集，保證所有的拍攝樣本位置一致。由于深度學(xué)習(xí)需要具備大量的樣本集，采集實驗同時拍攝馬鈴薯樣本的俯視圖、左視圖和右視圖，將馬鈴薯各類樣本集擴(kuò)展3 倍。圖1所示馬鈴薯外部缺陷的不同狀態(tài)。

1.2 輕量卷積網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)的搭建是深度學(xué)習(xí)的關(guān)鍵技術(shù)，VGG-Net、ResNet網(wǎng)絡(luò)[23-24]在分類識別中取得了較好的效果，但該類網(wǎng)絡(luò)基本思路都是通過卷積堆積的方式重復(fù)進(jìn)行卷積和池化操作，利用加深網(wǎng)絡(luò)的深度提取豐富的圖像特征信息，使得網(wǎng)絡(luò)模型參數(shù)規(guī)模巨大，訓(xùn)練的模型占用較大內(nèi)存，模型移植到馬鈴薯在線分級嵌入式設(shè)備運(yùn)行效率較低。Xception卷積網(wǎng)絡(luò)是一種高效率的新型輕量級卷積形式，利用可分離卷積網(wǎng)絡(luò)模塊代替Inception網(wǎng)絡(luò)模塊[25]，對空間信息和通道信息完全解耦，進(jìn)一步減少網(wǎng)絡(luò)模型參數(shù)，適應(yīng)于嵌入式設(shè)備的應(yīng)用。Xception網(wǎng)絡(luò)的結(jié)構(gòu)[26-27]結(jié)合了深度可分離卷積與ResNet網(wǎng)絡(luò)的思想，主要由輸入流、中間流和輸出流3 部分構(gòu)成，具體結(jié)構(gòu)如圖2所示?；赬ception網(wǎng)絡(luò)的馬鈴薯分級檢測步驟如下：

1）對輸入的299×299×3的馬鈴薯圖像通過2 次卷積操作產(chǎn)生64 個特征圖譜。

2）基于可分離卷積層對輸入特征圖的每個通道單獨(dú)進(jìn)行3×3卷積運(yùn)算，利用1×1的卷積運(yùn)算遍歷所有的特征圖，并對特征圖進(jìn)行相加融合運(yùn)算，經(jīng)過重復(fù)可分離卷積操作獲得深度為2 048的特征圖。

3）對通道數(shù)為2 048的特征圖轉(zhuǎn)化為一維特征向量，將向量輸入全連接層和邏輯回歸層預(yù)測出圖像類別的概率。

圖2 Xception卷積網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Xception convolutional network structure

1.3 基于遷移學(xué)習(xí)的馬鈴薯分級模型構(gòu)建

Xception卷積網(wǎng)絡(luò)共32 層，若對模型的所有參數(shù)初始化進(jìn)行重新訓(xùn)練，需要大量的樣本才能使得模型收斂，而馬鈴薯缺陷樣本數(shù)量相對較小。在本研究中，為了獲得Xception網(wǎng)絡(luò)模型最佳的識別效果，將ImageNet數(shù)據(jù)集訓(xùn)練的模型作為馬鈴薯外部缺陷預(yù)訓(xùn)練的初始模型，通過遷移學(xué)習(xí)[28-29]的方式訓(xùn)練缺陷模型，以縮短模型的訓(xùn)練時間，提高模型的泛化性。馬鈴薯外部缺陷的識別主要包括3 部分，數(shù)據(jù)集的預(yù)處理、馬鈴薯外部缺陷模型的訓(xùn)練和輸出類別的判斷。圖3示出了馬鈴薯外部缺陷識別過程，具體流程如下：

1）利用縮放和旋轉(zhuǎn)的方法對原始馬鈴薯缺陷數(shù)據(jù)集進(jìn)行擴(kuò)充，隨機(jī)選取數(shù)據(jù)集70%的樣本作為訓(xùn)練集，且將樣本在輸入網(wǎng)絡(luò)之前統(tǒng)一固定尺寸299×299×3。

2）利用ImageNet數(shù)據(jù)集訓(xùn)練Xception網(wǎng)絡(luò)，使得模型參數(shù)獲得充分訓(xùn)練，刪除模型1 000 類的Softmax層，形成Xception預(yù)訓(xùn)練模型。

3）重新設(shè)計出5 類缺陷標(biāo)簽的全連接層，并與Xception預(yù)訓(xùn)練模型組合，構(gòu)建出馬鈴薯缺陷預(yù)訓(xùn)練模型。

4）利用馬鈴薯缺陷數(shù)據(jù)集訓(xùn)練模型，網(wǎng)絡(luò)在訓(xùn)練過程中通過不斷迭代的方式微調(diào)全連接層參數(shù)，若模型連續(xù)迭代11 輪次損失不降低，則訓(xùn)練將終止，輸出馬鈴薯缺陷識別模型。

5）利用測試數(shù)據(jù)集驗證識別模型對5 類樣本的分級精度。

圖3 馬鈴薯外部缺陷識別流程Fig.3 Process flow chart for potato external defect recognition

2 結(jié)果與分析

2.1 實驗環(huán)境

馬鈴薯外部缺陷模型的訓(xùn)練和測試均是基于Keras深度學(xué)習(xí)框架完成的。硬件環(huán)境CPU采用Inter?Xeon E5-2683V3，主頻2.00 GHz，GPU采用NVIDIAteslaK20GPU，內(nèi)存16 GB，顯存5 GB。軟件環(huán)境采用Ubuntu16.04，python3.65的編程環(huán)境。

2.2 數(shù)據(jù)集圖像與參數(shù)的設(shè)置

在設(shè)計的實驗環(huán)境下共采集馬鈴薯外部缺陷圖像1 113 幅，其中發(fā)芽馬鈴薯221 幅，綠皮馬鈴薯184 幅，機(jī)械損傷馬鈴薯308 幅，腐爛馬鈴薯194 幅，完整馬鈴薯206 幅。從數(shù)據(jù)庫5 類樣本中隨機(jī)選取60%的樣本作為訓(xùn)練集，20%作為驗證集，20%的作為測試集。實驗的主要參數(shù)設(shè)置為：模型的訓(xùn)練和測試樣本bach size設(shè)置32，學(xué)習(xí)率設(shè)置0.000 01，最大訓(xùn)練次數(shù)初始設(shè)置1 000 輪。為減小模型的過擬合，模型訓(xùn)練實際輪數(shù)設(shè)置早停模式，在訓(xùn)練過程不斷保存精度最高的驗證集模型，連續(xù)訓(xùn)練11 輪后驗證集模型相比最佳模型精度不在提高，整個訓(xùn)練結(jié)束。

2.3 模型評價指標(biāo)

為衡量訓(xùn)練模型的識別精度，采用平均準(zhǔn)確率[30]、查全率、查準(zhǔn)率[31]和加權(quán)得分作為模型的評價指標(biāo)，平均準(zhǔn)確率計算公式為：

式中：Acc為平均準(zhǔn)確率；n為缺陷類別數(shù)；Fi為單個類別識別準(zhǔn)確率；Nc為預(yù)測正確的第i類樣本數(shù)；Np為第i類樣本總數(shù)。

查準(zhǔn)率和查全率計算公式為：

式中：Pre為查準(zhǔn)率；Prc為查全率；Tp為正確標(biāo)記有該類缺陷的樣本數(shù)量；Fp為錯誤標(biāo)記有該類缺陷的樣本數(shù)量；FN為錯誤標(biāo)記非該類缺陷的樣本數(shù)量。

結(jié)合每個類別的查準(zhǔn)率Pre與查全率Prc，計算單個類別的加權(quán)得分S為：

2.4 模型的測試

2.4.1 學(xué)習(xí)率對模型性能的影響

學(xué)習(xí)率是網(wǎng)絡(luò)模型在訓(xùn)練階段需要設(shè)置的重要超參數(shù)，不同的學(xué)習(xí)率將影響目標(biāo)函數(shù)的收斂速度，合理置模型的學(xué)習(xí)率使得目標(biāo)函數(shù)能夠收斂到局部最小值。實驗基于Xception網(wǎng)絡(luò)模型將學(xué)習(xí)率分別設(shè)置為0.01、0.001、0.000 1和0.000 01進(jìn)行討論。圖4示出了模型迭代過程中4 種學(xué)習(xí)率下的訓(xùn)練準(zhǔn)確率和損失值曲線變化。從曲線中可知，學(xué)習(xí)率為0.01時模型的準(zhǔn)確率與損失值曲線波動幅度相對較大，且隨著訓(xùn)練輪數(shù)的增加，損失函數(shù)值下降速度較為緩慢，無法趨于穩(wěn)定。當(dāng)學(xué)習(xí)率為0.001和0.000 1時，模型準(zhǔn)確率曲線相比0.01時波動程度減小，但損失函數(shù)值在達(dá)到穩(wěn)定后出現(xiàn)間斷波動，不能達(dá)到較好的收斂效果。學(xué)習(xí)率設(shè)置為0.000 01時，訓(xùn)練準(zhǔn)確率與損失函數(shù)值曲線的變化相對平滑，模型趨于穩(wěn)定需要迭代的輪數(shù)相對較少，訓(xùn)練模型的性能取得較好的效果。為驗證學(xué)習(xí)率取值對測試集識別準(zhǔn)確率的影響。從表1可知，學(xué)習(xí)率設(shè)置為0.000 01時，驗證集準(zhǔn)確率為98.88%，模型訓(xùn)練結(jié)束后損失函數(shù)值為0.034 9，表明該學(xué)習(xí)率下網(wǎng)絡(luò)模型整體性能最優(yōu)，與圖4分析的結(jié)果保持一致。此外，在學(xué)習(xí)率為0.000 01條件下，模型在測試集上5 種缺陷類別的平均準(zhǔn)確率為96.37%，識別的準(zhǔn)確性達(dá)到最高，在相同條件下模型平均準(zhǔn)確率相比其他3 種學(xué)習(xí)率分別提高5.57%、4.94%和1.13%。為保證馬鈴薯外部缺陷識別模型獲得最佳的識別效果，本實驗中學(xué)習(xí)率取0.000 01完成模型的訓(xùn)練。

圖4 不同學(xué)習(xí)率下模型的訓(xùn)練曲線Fig.4 Training curves of the model at different learning rates

表1 不同學(xué)習(xí)率下缺陷識別準(zhǔn)確率Table 1 Accuracy of defect recognition under different learning rates

2.4.2 馬鈴薯外部缺陷數(shù)據(jù)集測試實驗

為驗證網(wǎng)絡(luò)模型對不同缺陷的識別精度，利用測試集對5 類樣本分別統(tǒng)計識別的查準(zhǔn)率、查全率和加權(quán)得分，模型識別結(jié)果如表2所示。由表2可知，腐爛馬鈴薯查準(zhǔn)率相比其他4 類缺陷最低，僅為90.79%，機(jī)械損傷馬鈴薯查全率也相對較低，僅為92.00%，表明機(jī)械損傷馬鈴薯容易誤識別為腐爛馬鈴薯，主要原因是機(jī)械損傷面積較大的馬鈴薯風(fēng)化后與腐爛馬鈴薯特征相似，且在損傷邊緣存在腐爛，導(dǎo)致兩者之間的錯分率提高。合格和發(fā)芽馬鈴薯在5 類缺陷中加權(quán)得分獲得更好的表現(xiàn)，分別為98.59%和98.55%，結(jié)果表明合格和發(fā)芽的馬鈴薯特征比其他3 類缺陷區(qū)分度更明顯。總體來看，5 類馬鈴薯缺陷的加權(quán)得分均高于93%，本網(wǎng)絡(luò)模型能夠完成馬鈴薯缺陷的有效分級。

表2 模型的識別精度Table 2 Model recognition accuracy

2.4.3 不同網(wǎng)絡(luò)模型對比實驗

為驗證本實驗網(wǎng)絡(luò)模型識別的有效性，在相同馬鈴薯數(shù)據(jù)集下與9 種不同規(guī)模網(wǎng)絡(luò)模型的識別準(zhǔn)確率進(jìn)行比較實驗。根據(jù)網(wǎng)絡(luò)模型的復(fù)雜程度，將對比的9 種卷積網(wǎng)絡(luò)劃分為4 類，其中LeNet種網(wǎng)絡(luò)為淺層簡單網(wǎng)絡(luò)，AlexNet、ZF-Net和TSL16為大型深度卷積網(wǎng)絡(luò)，VGG16、ResNet50和ResNet152通過進(jìn)一步加深網(wǎng)絡(luò)深度提高模型的性能，而InceptionV3和MobileNet模型的準(zhǔn)確度與深度模型相當(dāng)，但模型的參數(shù)明顯更少，運(yùn)行速度更快。表3示出了馬鈴薯缺陷在不同網(wǎng)絡(luò)模型中的識別準(zhǔn)確率，本實驗構(gòu)建的輕量級網(wǎng)絡(luò)模型識別的平均準(zhǔn)確率為96.04%，識別效果優(yōu)于輕量級網(wǎng)絡(luò)MobileNet和InceptionV3，平均準(zhǔn)確率分別高出14.7%和2.68%。對于LeNet網(wǎng)絡(luò)只有2 個卷集層、2 個池化層和2 個全連接層組成，模型參數(shù)較少，但平均準(zhǔn)確率為88.43%，識別效果相對較差。對于深度較深的ResNet152和ResNet50網(wǎng)絡(luò)平均準(zhǔn)確率為95.82%和92.16%，2 類網(wǎng)絡(luò)模型的平均準(zhǔn)確率均高于其他深度網(wǎng)絡(luò)模型，表明適當(dāng)加深網(wǎng)絡(luò)深度能夠提高網(wǎng)絡(luò)模型的性能，但網(wǎng)絡(luò)模型的參數(shù)和尺寸大幅度增加，計算效率下降。此外，ZF-Net網(wǎng)絡(luò)平均準(zhǔn)確率高于深層ResNet50網(wǎng)絡(luò)1.99%，主要是由于小樣本數(shù)據(jù)集訓(xùn)練深層次網(wǎng)絡(luò)，模型不容易收斂，導(dǎo)致網(wǎng)絡(luò)深度增加而準(zhǔn)確率下降。

表3 不同網(wǎng)絡(luò)模型的識別準(zhǔn)確率Table 3 Recognition accuracy of different network models

在對比的9 種網(wǎng)絡(luò)模型中，ResNet152網(wǎng)絡(luò)對于馬鈴薯外部缺陷的識別效果較好，平均準(zhǔn)確率僅低于本實驗網(wǎng)絡(luò)模型0.22%。在訓(xùn)練模型的尺寸方面，ResNet152模型尺寸257.8 MB，本實驗?zāi)Ｐ统叽?9.6 MB，2 個模型之間尺寸相差較大，表明本實驗?zāi)Ｐ驼加脙?nèi)存空間較小，更適合移植到在線檢測的嵌入式設(shè)備。在模型運(yùn)行時間方面，ResNet152模型識別速度為1.7 幅/s，本實驗網(wǎng)絡(luò)模型的識別率為6.4 幅/s，模型運(yùn)行速度是ResNet152模型的3.76 倍，表明本模型能夠滿足馬鈴薯外部缺陷在線分級的實時性。

3 討論與結(jié)論

本實驗以腐爛、機(jī)械損傷、發(fā)芽、綠皮和合格的5 類馬鈴薯圖像為例，基于Xception深度卷積網(wǎng)絡(luò)重新設(shè)計出5 類標(biāo)簽的馬鈴薯預(yù)訓(xùn)練模型，再利用遷移學(xué)習(xí)的方法獲得馬鈴薯外部缺陷識別模型。對模型性能進(jìn)行對比實驗，結(jié)果表明：

1）比較0.1、0.001、0.000 1和0.000 01不同學(xué)習(xí)率下訓(xùn)練模型的精度。采用學(xué)習(xí)率0.000 01訓(xùn)練模型，訓(xùn)練準(zhǔn)確率為98.88%，損失函數(shù)值為0.034 9，外部缺陷識別平均準(zhǔn)確率為96.37%，實驗結(jié)果顯示，該學(xué)習(xí)率下模型性能達(dá)到最優(yōu)。

2）在測試集上對網(wǎng)絡(luò)模型進(jìn)行評估，腐爛馬鈴薯查準(zhǔn)率和機(jī)械損傷馬鈴薯查全率相對較低，該模型對腐爛和機(jī)械損傷馬鈴薯兩者之間容易誤判。整體上，腐爛、機(jī)械損傷、綠皮、發(fā)芽和合格5 類馬鈴薯識別的加權(quán)得分分別為93.31%、95.28%、94.49%、98.55%和98.59%，結(jié)果表明本實驗網(wǎng)絡(luò)模型對馬鈴薯的外部缺陷識別取得了較好的效果。

3）利用相同的測試數(shù)據(jù)集與不同深度的9 類網(wǎng)絡(luò)模型進(jìn)行比較實驗，本實驗?zāi)Ｐ偷淖R別平均準(zhǔn)確率高達(dá)96.04%，相比識別效果較好的深度網(wǎng)絡(luò)ResNet152和輕量級網(wǎng)絡(luò)InceptionV3模型平均識別率提高0.22%和2.68%，且識別所需的時間較短。綜合模型的平均準(zhǔn)確率和運(yùn)行速度指標(biāo)，表明本實驗建立的輕量級網(wǎng)絡(luò)模型對馬鈴薯的外部識別效果優(yōu)于其他9 種網(wǎng)絡(luò)模型。

基于深度學(xué)習(xí)技術(shù)對馬鈴薯外部缺陷圖像進(jìn)行識別，具有準(zhǔn)確率高、硬件成本低和運(yùn)行速度快等特點(diǎn)，該技術(shù)將對實現(xiàn)馬鈴薯在線分級檢測提供了可行性。