基于改进CNN的苹果缺陷检测方法研究

ＦＯＯＤ＆ＭＡＣＨＩＮＥＲＹ

第

３９

卷第

６

期总第

２６０

期

｜

２０２３

年

６

月

｜

：／

犇犗犐１０．１３６５２．狊狓．１００３．５７８８．２０２３．６００１９

犼狆犼

［文章编号］（）

１００３５７８８２０２３０６０１５５０６

基于改进

ＣＮＮ

的苹果缺陷检测方法研究

ＲｅｓｅａｒｃｈｏｎａｌｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｒｏｖｅｄＣＮＮ

ｐｐｐ

杜国真

１

卢明星

１

季泽旭

２

刘继超

３

１３

犇犝犌狌狅狕犺犲狀

１

犔犝犕犻狀狓犻狀犐犣犲狓狌

２

犔犐犝犑犻犮犺犪狅

犵犵

犑

（河南护理职业学院，河南安阳

４

中国科学技术大学，安徽合肥

２１．５５０００

；

２．３００２６

；

郑州大学，河南郑州

４

）

３．５０００６

（，

１．

犎犲狀犪狀犞狅犮犪狋犻狅狀犪犾犆狅犾犾犲犲狅狌狉狊犻狀犃狀犪狀犲狀犪狀

４５５０００

犆犺犻狀犪

；

２．

犝狀犻狏犲狉狊犻狋犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅

犵犳

犖

犵

，

狔犵

，

犎

狔

狅

犳

犛

犵狔

狅犺犻狀犪

，

犎犲犲犻

，

犃狀犺狌犻

２３００２６

，

犆犺犻狀犪

；

３．

犣犺犲狀狕犺狅狌犝狀犻狏犲狉狊犻狋犣犺犲狀狕犺狅狌

，

犎犲狀犪狀

４５０００６

，

犆犺犻狀犪

）

犳

犆

犳犵狔

，

犵

摘要：目的：解决现有苹果缺陷检测方法存在的精度低、

效率差等问题。方法：基于水果图像采集系统，提出一种

改进的卷积神经网络用于苹果表面缺陷检测；引入深度

可分离卷积代换原网络标准卷积，提高特征提取速度；引

入

Ｌ

提高计算

ｅａｋｅＬＵ

激活函数代替

ＲｅＬＵ

激活函数，

ｙ

Ｒ

效率和精度；引入全局平均池化替换全连接层，降低网络

模型的计算量；并在每层卷积后加入批量归一化层，通过

验证其优越性。结果：与试验与常规方法进行对比分析，

常规方法相比，所提方法在苹果缺陷检测中具有较高的

且模型参数量少，准确率达

９

检测准确率和速度，

９．６０％

，

检测速度（每秒帧数）达

５

模型参数量为

３２６

，

８９０７２

。结

该苹果缺陷检测方法能有效降低模型参数和检测时论：

间，具有较高的准确率和速度。

关键词：缺陷检测；苹果；卷积神经网络；深度可分离卷

积；全局平均池化

ＬｅａｋｅＬＵ

激活函数；

ｙ

Ｒ

：：

Ｔ犃犫狊狋狉犪犮狋犗犫犲犮狋犻狏犲ｏｓｏｌｖｅｔｈｅ

ｐ

ｒｏｂｌｅｍｓｏｆｌｏｗａｃｃｕｒａｃｎｄ

ｙ

ａ

犼

ｏｏｒｅｆｆｉｃｉｅｎｃｎｅｘｉｓｔｉｎｌｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｓ．

ｐｙ

ｉ

ｇ

ａ

ｐｐ

：

犕犲狋犺狅犱狊Ｂａｓｅｄｏｎａｆｒｕｉｔｉｍａｅａｃｕｉｓｉｔｉｏｎｓｓｔｅｍ

，

ａｎｉｍｒｏｖｅｄ

ｇｑｙｐ

ｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｗａｓ

ｐ

ｒｏｏｓｅｄｆｏｒｄｅｔｅｃｔｉｎｕｒｆａｃｅ

ｐｇ

ｓ

ｄｅｆｅｃｔｓｉｎａｌｅｓ．ＤｅｅｅａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎｗａｓＩｎｔｒｏｄｕｃｅｄｔｏ

ｐｐｐ

ｓ

ｐ

，

ｔｏｉｍｒｏｖｅｔｈｅｒｅｌａｃｅｔｈｅｏｒｉｉｎａｌｎｅｔｗｏｒｋｓｔａｎｄａｒｄｃｏｎｖｏｌｕｔｉｏｎ

ｐｐｇ

ｓｅｅｄｏｆｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ．ＴｈｅＬｅａｋｅＬＵａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎ

ｐｙ

Ｒ

ｗａｓｉｎｔｒｏｄｕｃｅｄｔｏｒｅｌａｃｅｔｈｅＲｅＬＵａｃｔｉｖａｔｉｏｎｆｕｎｃｔｉｏｎｔｏ

ｐ

ｉｍｒｏｖｅｔｈｅｃａｌｃｕｌａｔｉｏｎｅｆｆｉｃｉｅｎｃｎｄａｃｃｕｒａｃ．Ｇｌｏｂａｌａｖｅｒａｅ

ｐｙ

ａ

ｙｇ

，

ｔｏｏｏｌｉｎａｓｉｎｔｒｏｄｕｃｅｄｔｏｒｅｌａｃｅｔｈｅｆｕｌｌｏｎｎｅｃｔｅｄｌａｅｒ

ｐｇ

ｗ

ｐｙ

ｃ

ｙ

ｒｅｄｕｃｅｔｈｅｃｏｍｕｔａｔｉｏｎａｌｃｏｍｌｅｘｉｔｆｔｈｅｎｅｔｗｏｒｋｍｏｄｅｌ．Ａｆｔｅｒ

ｐｐｙ

ｏ

，，

ａｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎｌａｅｒｗａｓａｄｄｅｄｅａｃｈｌａｅｒｏｆｃｏｎｖｏｌｕｔｉｏｎ

ｙｙ

基金项目：河南省高等学校青年骨干教师培养计划项目（编号：

）；河南省教育厅教学改革研究与实践

２０１６ＧＧＪＳ２８５

项目（编号：豫教〔〕）

２０２３０３０１０

作者简介：杜国真（，男，河南护理职业学院讲师，学士。

１９８４

—）

：

Ｅｍａｉｌｄｚ１４３

＠

１６３．ｃｏｍ

ｇ

收稿日期：

２０２３０１２６

改回日期：

２０２３０５１５

ａｎｄｉｔｓｓｕｅｒｉｏｒｉｔａｓｖｅｒｉｆｉｅｄｔｈｒｏｕｈｃｏｍａｒａｔｉｖｅａｎａｌｓｉｓ

ｐｙ

ｗ

ｇｐｙ

：

ｂｅｔｗｅｅｎｅｘｅｒｉｍｅｎｔｓａｎｄｃｏｎｖｅｎｔｉｏｎａｌｍｅｔｈｏｄｓ．犚犲狊狌犾狋狊

ｐ

，

Ｃｏｍａｒｅｄｗｉｔｈｃｏｎｖｅｎｔｉｏｎａｌｍｅｔｈｏｄｓｔｈｅ

ｐ

ｒｏｏｓｅｄｍｅｔｈｏｄｈａｄ

ｐｐ

ｈｉｈｅｒｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｎｄｓｅｅｄｉｎａｌｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ

，

ａｎｄ

ｇｙ

ａ

ｐｐｐ

，

ｈａｄｆｅｗｅｒｍｏｄｅｌａｒａｍｅｔｅｒｓｗｉｔｈａｎａｃｃｕｒａｃａｔｅｏｆ９９．６０％

，

ａ

ｐｙ

ｒ

ａｎｄａｍｏｄｅｌ

ｐ

ａｒａｍｅｔｅｒ

ｑ

ｕａｎｔｉｔｆｄｅｔｅｃｔｉｏｎｓｅｅｄｏｆ５２６ＦＰＳ

，

ｙ

ｏ

ｐ

：

Ｔ３８９０７２．犆狅狀犮犾狌狊犻狅狀ｈｉｓａｌｅｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｃａｎ

ｐｐ

，

ｗｅｆｆｅｃｔｉｖｅｌｅｄｕｃｅｍｏｄｅｌ

ｐ

ａｒａｍｅｔｅｒｓａｎｄｄｅｔｅｃｔｉｏｎｔｉｍｅｉｔｈ

ｙ

ｒ

ｈｉｈａｃｃｕｒａｃｎｄｓｅｅｄ．

ｇｙ

ａ

ｐ

：

ｄ

；

ｃ犓犲狑狅狉犱狊ｅｆｅｃｔｄｅｔｅｃｔｉｏｎ

；

ａｌｅｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌ

ｐｐ

狔

ｎｅｔｗｏｒｋ

；

ｄｅｔｈｓｅａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎ

；

ＬｅａｋｅＬＵａｃｔｉｖａｔｉｏｎ

ｐｐｙ

Ｒ

ｆｕｎｃｔｉｏｎ

；

ｌｏｂａｌａｖｅｒａｅ

ｐ

ｏｏｌｉｎ

ｇｇｇ

作为苹果等级的重要组成，缺陷检测一直是研究的

１

］

。随着信息技术发展的加快，将人工智能中热点问题

［

２

］

的理论方法与苹果的分选交叉融合是一种大趋势

［

。深

度学习方法以其优异的特征提取和分类能力被广泛应用

于缺陷检测中。因此，将深度学习用于苹果缺陷检测具

有重要的实际意义。

近年来，水果缺陷检测方法发展迅速，但能快速检测

水果缺陷的方法较少，国内对该技术的研究主要集中在

３－４

］

５

］

深度学习和智能算法上

［

。程磊

［

提出了一种改进的

粒子群算法用于苹果表面缺陷检测，其轮廓检测较为清

［］

晰，耗时较少，漏检率指标最大为

４．５０％

。刘云等

６

提出

了一种卷积神经网络用于苹果缺陷检测，其检测速度和

７

］

准确率较优（分别为

５

个／。周雨帆等

［

提

ｓ

和

９７．３０％

）

出了一种改进的卷积神经网络用于苹果表面缺陷检测，

该方法具有较高的检测速度和准确率，分别比改进前提

［］

高了

１．５５％

和

３３．２８％

。梅金波等

８

提出了用于苹果表

面缺陷检测的

Ｍ

模型的检测精度较高，

ｏＭ２Ｄｅｔ

模型，

［］

准确率达

９８．４５％

。

Ｇｅｅｔｈａｒａｍａｎｉ

等

９

提出了一种改进

的深度卷积神经网络用于植物病虫害检测，与改进前相

Copyright©博看网. All Rights Reserved.

１５５

贮运与保鲜

ＳＴＯＲＡＧＥＴＲＡＮＳＰＯＲＴＡＴＩＯＮ＆ＰＲＥＳＥＲＶＡＴＩＯＮ

总第

２６０

期

｜

２０２３

年

６

月

｜

［

０

］

比，该模型具有较高的准确率。

Ｌ

提出了一种改

ｉｕ

等

１

进的深度卷积神经网络用于苹果病虫害检测，具有较高

的检测精度和较少的参数量。上述方法可以实现水果缺

但在实际应用中特征提取过程比较复杂，准确率陷检测，

有待进一步提高。

研究拟提出一种用于苹果表面缺陷检测的改进卷积

神经网络（，，通过深

ＣｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓＣＮＮ

）

［

１

］

、全局平均池度可分离卷积、

ＬｅａｋｅＬＵ

激活函数

１

ｙ

Ｒ

１２

］

１３

］

化

［

和批量归一化层

［

处理提高方法的计算效率和准

确性，并与常规方法进行对比分析，旨在为水果自动化分

拣提供一定的参考和借鉴。

图

１

图像采集系统结构

Ｆｉｕｒｅ１

Ｍｅｃｈａｎｉｃａｌｖｉｓｉｏｎｓｓｔｅｍｓｔｒｕｃｔｕｒｅ

ｇｙ

算法。与一般前馈神经网络不同的是增加了卷积和池化

１４

］

操作

［

。

ＬｅＮｅｔ５

是用于解决手写数字识别视觉任务的

１

系统概述

图像采集系统（图

１

）通过相机实现苹果图像的采集。

首先，用相机拍摄样品图像，发送至计算机进行处理。通

过数字处理可以得到形状、颜色等特征。再对其进行判

定，确定检测结果。

见图

２

）。

Ｃ

池化网络（

ＮＮ

的基本结构主要包括卷积层、

层和全连接层。近年来，

ＣＮＮ

被广泛应用于计算机视

１５

］

自然语言处理等领域

［

。觉、

２

缺陷检测方法

２．１

卷积神经网络（

ＣＮＮ

）

也是深度学习的代表

ＣＮＮ

是典型的前馈神经网络，

是

卷积层主要是实现自动提取输入特征的功能，

同时承担了大部分计算量。一般

ＣＮＮ

中最核心的结构，

其最重要的特点是的卷积核尺度有

５×５

，

３×３

，

１×１

等，

１６

］

局部连接和权重共享

［

。

图

２

ＬｅＮｅｔ５

结构

Ｆｉｕｒｅ２

ＬｅＮｅｔ５ｓｔｒｕｃｔｕｒｅ

ｇ

需要设置

３

个超参数，包括卷积核大小（、步

犉

）

其中，

长（和填充（。这些超参数共同决定了经过该卷积

犛

）

犘

）

１７

］

层输出特征图的尺寸，并按式（）和式（）进行计算

［

。

１２

２．２

改进的卷积神经网络

（）引入深度可分离卷积：深度可分离卷积是一种改

１

进卷积神经网络中标准卷积计算的算法，可降低参数量

和提高卷积核参数应用效率。深度可分离卷积由深度卷

２０

］

积和逐点卷积两部分组成

［

，其卷积过程见图

３

。

／

犠

ｏ

犠

ｉ

２×

犘

－

犉

）

犛

＋１

，

ｕｔ

＝

（

ｎ

＋

／

犎

ｏ

犎

ｉ

２×

犘

－

犉

）

犛

＋１

，

ｕｔ

＝

（

ｎ

＋

式中：

——原始图形的宽度和高度；

犠

ｉ

犎

ｉｎ

、

ｎ

—

——经过卷积之后的宽度和高度。

犠

ｏ

犎

ｏｕｔ

、

ｕｔ

—

完成卷积操作后，还将使用激活函数。

（）

１

（）

２

池化层通常在卷积层后使用。池化层是对前级特征

图的下采样处理，可以在一定程度上减少过拟合。一般

１８

］

的池化方法有最大池化和平均池化

［

。

全连接层通常用作特征提取或分类层使用。它通常

位于

Ｃ

相当于一个多层

ＮＮ

模型的最后一层或最后几层，

１９

］

感知器，整合图像特征

［

。

图

３

卷积过程

Ｆｉｕｒｅ３

Ｃｏｎｖｏｌｕｔｉｏｎ

ｐ

ｒｏｃｅｓｓ

ｇ

１５６

Copyright©博看网. All Rights Reserved.

ｏｌ．３９

，

Ｎｏ．６

｜

Ｖ

杜国真等：基于改进

ＣＮＮ

的苹果缺陷检测方法研究

３

）

深度可分离卷积与标准卷积计算量比值按式（

２１

］

计算

［

。

——

ＧＡＰ

层的输出；

狔

犌

—

——最后卷积层大小。

犿

×

狀

—

犽

犎

×

犠

×

犓

×

犓

×

犆

＋

犎

×

犠

×１×１×

犆

×

犖

１

＝＋

犎

×

犠

×

犓

×

犓

×

犆

×

犖犖

１

，

犓

２

式中：

——输入特征图的高；

犎

—

——输入特征图的宽；

犠

—

——输入特征图的通道数；

犆

—

——输出特征图通道数；

犖

—

——卷积核大小。

犓

—

（）引入

Ｌ

为了解决

Ｒ２ｅａｋｅＬＵ

激活函数：

ｅＬＵ

激活

ｙ

Ｒ

函数中的梯度消失问题，

ＬｅａｋｅＬＵ

函数对输入数据中的

ｙ

Ｒ

］

２２

）所示

［

。负值给定非零的斜率，

ＬｅａｋｅＬＵ

函数如式（

４

ｙ

Ｒ

）批量归一化层：批量归一化层布置在卷积层之（

４

可以加快网络训练并防止梯度消失，即在进入下一层后，

２４

］

对上一层的输入进行归一化

［

。之前，

（）

３

１

犽

狓

犻犻

犼

＝

犼

，

μ

∑

犿

犽

＝

１

１

犽

２

（

狓犻

σ

＝

ε

，

犻

犼

－

μ

犼

）

＋

∑

犿

犽

＝

１

２

犻

犼

犿

（）

６

（）

７

（）

８

（）

９

犿

犽

狓

犻犻

犼

－

μ

犼

，

狔

＝

σ

犻

犼

犽

犻

犼

犽犽

′

犻犻

狔狔

犼

＝

α

·

犼

＋

β

，

式中：

犽

——第

犼

层的第

犻

神经元模型在训练第

犽

条数据

狓

犻

犼

—

时的输出值

；

——每个标准化样本；

犿

—

——输出值平均值；

μ

—

２

——输出值方差；

σ

犻

犼

—

——一个很小的常数；

ε

—

——学习参数（由

Ｃ

用来代替

ＮＮ

训练得到，

α

、

β

—

。偏置）

图

４

为改进的

ＣＮＮ

架构示意图。

＿

ＬｅａｋＲｅＬＵ

（

狓

）

＝

ｙ

式中：

——输入数据；

狓

—

｛

，

犪狓

，

狓

＜

０

狓

，

狓

≥

０

（）

４

——

Ｌ

犪

—

ｅａｋｅＬＵ

激活函数的超参数。

ｙ

Ｒ

）全局平均池化：引入全局平均池化替换全连接（

３

层，降低网络模型计算量。全局平均池化

ＧＡＰ

计算一个

并按式（）计算平均值，

５

犽

犌

［

２３

］

。

（）

５

１

犽

×

∑∑

狓

犻

狔

＝

犼

，

犿狀

犻

＝

０

犼

＝

０

式中：

犿

－

１

狀

１

－

３

试验结果与分析

３．１

试验参数

为了验证试验方法的优越性和可行性，在

Ｐｔｈｏｎ

ｙ

环境下基于

Ｔ

使用

ｅｎｓｏｒｆｌｏｗ

深度学习框架进行分析。

犽

——卷积层第

犽

个特征图中的第（个元素；

狓犻

，

犻

犼

）

犼

—

图

４

改进卷积神经网络结构

Ｆｉｕｒｅ４

Ｉｍｒｏｖｅｄｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ

ｇｐ

相机为

ｍ

，镜头为

ＯｅｎＣＶ

进行图像处理，

ｅｒ５０３２０ｃ

ｐｇｐ

光源为圆顶光源，完成苹果缺陷图像的采

ｍ０８１４ｍ２

，

ｐ

集。系统参数见表

１

。

通过苹果样本集的训练对所提模型的初始参数进行

微调，试验参数见表

２

。

选取

５

种缺陷水果

苹果缺陷图像通过相机进行采集，

各

１０

共

５０

尺寸大小为作为检测目标，

００

张图像，

００

张，

按

４∶１

分为训练集和测试集。苹果

６００

像素

×６００

像素，

缺陷可分为正常果、碰伤果、虫害果、裂纹果和腐烂果。

表

１

系统参数

Ｔａｂｌｅ１

Ｓｓｔｅｍ

ｐ

ａｒａｍｅｔｅｒｓ

ｙ

配置

操作系统

ＣＰＵ

显卡

深度学习框架

Ｐｔｈｏｎ

环境

ｙ

参数

Ｗｉｎｄｏｗｓ１０

（（

ＩｎｔｅｌＲ

）

ＣｏｒｅＴＭ

）

ｉ７９７５０Ｈ

ＧＴＸ１６６０

Ｔｅｎｓｏｒｆｌｏｗ

Ｐｔｈｏｎ３．７．７

ｙ

Copyright©博看网. All Rights Reserved.

１５７

贮运与保鲜

ＳＴＯＲＡＧＥＴＲＡＮＳＰＯＲＴＡＴＩＯＮ＆ＰＲＥＳＥＲＶＡＴＩＯＮ

总第

２６０

期

｜

２０２３

年

６

月

｜

表

２

试验参数

参数

训练尺寸

批量大小

迭代次数

初始学习率

Ｔａｂｌｅ２

Ｔｅｓｔ

ｐ

ａｒａｍｅｔｅｒｓ

数值

２２７×２２７

１６

２４

０．００１

参数

衰减率

ＬｅａｋＲｅＬＵ

ｙ

输入图像通道数

数值

０．９

，

０．９９

０．２

３

图

５

改进前后网络的准确率变化

选择准确性、精确度、召回率、

在苹果缺陷检测方面，

每秒帧数

５

个指标对检测模型进行评价。

Ｆ

１

值、

）准确率（：检测正确数与样本总数的比值，如（

１

犃

）

式（）所示。

１０

ＴＰ＋ＴＮ

，

ＴＰ＋ＴＮ＋ＦＰ＋ＦＮ

Ｆｉｕｒｅ５

Ｃｈａｎｅｓｉｎｎｅｔｗｏｒｋａｃｃｕｒａｃｅｆｏｒｅａｎｄ

ｇｇｙ

ｂ

ａｆｔｅｒｉｍｒｏｖｅｍｅｎｔ

ｐ

犃

＝

（）

１０

式中：

——准确率，

犃

—

％

；

——真正例；

ＴＰ

—

——真负例；

ＴＮ

—

——假正例；

ＦＰ

—

——假负例。

ＦＮ

—

（）精确度（：检测结果中实际包含的正样本数，

２

犘

）

如式（）所示。

１１

ＴＰ

，

犘

＝

ＴＰ＋ＦＰ

式中，

——精确度，

犘

—

％

。

（）召回率（：所有正样本都有两个可能的检测结

３

犚

）

果，如式（）所示。

１２

ＴＰ

，

犚

＝

ＴＰ＋ＦＮ

——召回率，

犚

—

％

。

（）

犉

１

值：为了能够评价不同算法的优劣，基于

４

如式（）所示。

Ｐｒｅｃｉｓｉｏｎ

和

Ｒｅｃａｌｌ

提出了

犉

１

值的概念，

１３

２ＴＰ

，

犉

１

＝

２ＴＰ＋ＦＰ＋ＦＮ

——

犉

１

值，

犉

１

—

％

。

（）每秒帧数（）：采用每秒图像检测帧数作为模

５ＦＰＳ

型运行速度的评估指标。

３．２

试验分析

为了验证试验方法的有效性，将其与改进前方法进

行比较。对网络模型进行训练，图

５

为改进前后模型的

准确率变化曲线，图

６

为改进前后模型的损失值变化

曲线。

与改进前的

Ｃ

试验方

ＮＮ

相比，

由图

５

和图

６

可知，

法在迭代停止时具有较高的检测精度和更低的测试损失

收敛速度较快。从收敛速度可以看出，试验方法在值，

１１

次迭代开始收敛，

ＣＮＮ

模型在

２１

次迭代开始收敛。

试验方法准确率收敛在

９

损失收敛在

０．９．６０％

左右，

０２

左

（）

１３

方法

卷积神经网络

试验方法

图

６

改进前后网络的损失值变化

Ｆｉｕｒｅ６

Ｃｈａｎｅｓｉｎｎｅｔｗｏｒｋｌｏｓｓｖａｌｕｅｓｂｅｆｏｒｅａｎｄ

ｇｇ

ａｆｔｅｒｉｍｒｏｖｅｍｅｎｔ

ｐ

右，是因为试验方法通过

４

个方面优化降低了模型参数

（）

１１

量，避免了网络过拟合，并加速了模型的收敛速度和模型

性能。

为了进一步验证试验方法的有效性，将其与改进前方

改进前后模型在各评价法在各评价指标上进行对比分析，

指标（准确率、精度、召回率和

Ｆ

上的比较情况见表

３

。

１

值）

表

３

改进前后各指标情况对比

（）

１２

Ｔａｂｌｅ３

Ｃｏｍａｒｉｓｏｎｏｆｉｎｄｉｃａｔｏｒｓｂｅｆｏｒｅａｎｄ

ｐ

ａｆｔｅｒｉｍｒｏｖｅｍｅｎｔ

ｐ

／

％

损失值准确率／

％

精确度／

％

召回率／

％

犉

１

值

９５．６０

９９．６０

９６．３０

９９．６０

９４．３０

９９．６０

９５．３００．１２００

９９．６００．０２０１

试验方法的各项指标与

ＣＮＮ

相比均有

由表

３

可知，

准确率、精确度、召回率和

犉

１

值分别提高了一定的提高，

损失值降低了

０．４．００％

，

３．３０％

，

５．３０％

，

４．３０％

，

０９９９

。

这是因为参数庞大的全连接层对

ＣＮＮ

产生过拟合现象，

降低了测试准确率等指标，说明试验方法一定程度上降

提高了测试准确率。低了参数量，

模型改进前后的训练时间、检测速度和参数量的比

较见表

４

。

与

Ｃ

试验方法的效果有明显

ＮＮ

相比，

由表

４

可知，

提高，训练时间下降了

７

，参数量下

４．６６ｓＦＰＳ

上升了

１２６

，

降了

５

试验方法在苹果缺陷检测中具有

７９１８２８１

。综上，

且模型参数量少，检测实时性较高的检测准确率和速度，

较强。

１５８

Copyright©博看网. All Rights Reserved.

ｏｌ．３９

，

Ｎｏ．６

｜

Ｖ

杜国真等：基于改进

ＣＮＮ

的苹果缺陷检测方法研究

表

４

改进前后训练时间、

ＦＰＳ

和参数量对比与文献［的缺陷检

２５

］

为了验证试验方法的优越性，

测方法进行对比分析，结果见表

５

。

与文献［的缺陷检测方法相比，试验

２５

］

由表

５

可知，

精度、召回率、以及较方法具有较高的精度、

犉

１

值和

ＦＰＳ

，

准确率、精确度、召回率和

Ｆ

少的参数量，

１

值分别提高了

参数量减

２．４０％

，

２．１０％

，

３．４０％

，

４．３０％

，

ＦＰＳ

增加了

４７３

，

少了

１

表明试验方法在苹果表面缺陷检测中

２４０１０９２８

，

Ｃ

，

Ｔａｂｌｅ４

ｏｍａｒｉｓｏｎｏｆｔｒａｉｎｉｎｉｍｅＦＰＳ

，

ａｒａｍｅｔｅｒ

ｐｇ

ｔ

ｐ

ｕａｎｔｉｔｅｆｏｒｅａｎｄａｆｔｅｒｉｍｒｏｖｅｍｅｎｔ

ｑｙ

ｂ

ｐ

方法

卷积神经网络

试验方法

训练时间／

ｓ

２０５．０７

１３０．４１

ＦＰＳ

４００

５２６

参数量

５８３０７３５３

３８９０７２

表

５

不同方法检测指标

Ｔａｂｌｅ５

Ｔｅｓｔｉｎｄｉｃａｔｏｒｓｂｉｆｆｅｒｅｎｔｍｅｔｈｏｄｓ

ｙ

ｄ

方法

文献［］

２５

试验方法

准确率／

％

９７．２０

９９．６０

精确度／

％

９７．５０

９９．６０

召回率／

％

９６．２０

９９．６０

犉

１

值／

％

９５．３０

９９．６０

ＦＰＳ

５３

５２６

参数量

１２４４０００００

３８９０７２

展现的性能最好。

W

）

&(X](++$OF85?3243872.6F56;;856F'()()'ZX

（



!Y#

程磊

$

基于改进粒子群算法的苹果表面缺陷检测

!U#$

食品与机

械

'()"*'ZW

（

Z

）

&"W""WY$



$OAA2;>38=7?;@;=;?4@;4;?4516:7>;@165DA810;@

A7845?2;>B78D1A45D5E7451672F1854

ZW

（

Z

）

&"W""WY$



!X#

刘云

'

杨建滨

'

王传旭

$

基于卷积神经网络的苹果缺陷检测算

法

!U#$

电子测量技术

'()"+'W)

（

Z

）

&")*""($



L-JQ'QOPGU,'NOPGIM$OAA2;@;=;?4@;4;?451672F1854

:7>;@16?16;38726;4B18c!U#$.2;?48165?R;7>38;D;64

Z

）

&")*""($K;?<6121F9'()"+'W)

（



!+#

周雨帆

'

李胜旺

'

杨奎河

'

等

$

基于轻量级卷积神经网络的苹果

表面缺陷检测方法

!U#$

河北工业科技

'()("'Z*

（

Y

）

&Z**Z]W$



^SJQV'L-HN'QOPG[';472$OAA2;>38=7?;@;=;?4

４

结论

研究提出了一种用于苹果表面缺陷检测的改进卷积

神经网络，通过对卷积神经网络进行优化来提高缺陷检

试验方法具有较高的检测准确率测的性能。结果表明，

和速度，且模型参数量较少。与文献［的缺陷检测方

２５

］

法相比，准确率、精确度、召回率和

犉

１

值分别提高了

每秒帧数增加了

４

参数

２．４０％

，

２．１０％

，

３．４０％

，

４．３０％

，

７３

，

量降低了

１

具有一定的实用价值。试验仅对

２４０１０９２８

，

后续可在此基础上进行逐步苹果常见缺陷进行了分析，

完善和改进。

参考文献

!"#

姜洪权

'

贺帅

'

高建民

'

等

$

一种改进卷积神经网络模型的焊缝

缺陷识别方法

!U#$

机械工程学报

'()()'YX

（

*

）

&(ZY(W($



U-OPGI`'.H'GOSUR';472$O65DA810;@D;4<1@1=

B;2@56F>;7D@;=;?48;?1F654516:7>;@16?16;3872

6;4B18cD1@;2!U#$I<56;>;U1386721=R;?<765?72.6F56;;856F'

*

）

&(ZY(W($()()'YX

（



!(#

项辉宇

'

薛真

'

冷崇杰

'

等

$

基于

72?16

的苹果品质视觉检测试

验研究

!U#$

食品与机械

'()"X'Z(

（

")

）

&"(Z"(X$



M-OPGQ'MJ.^'';472$.CA;85D;6472>43@916

05>37256>A;?45161=7AA2;b372549:7>;@1672?16!U#$V11@a

R7?<56;89'()"X'Z(

（

")

）

&"(Z"(X$



!Z#

杨森

'

冯全

'

张建华

'

等

$

基于轻量卷积网络的马铃薯外部缺陷

无损分级

!U#$

食品科学

'()("'W(

（

")

）

&(*W(*]$



QOPGH'`'^OPGU';472$P16@;>483?450;



27>>5=5745161=A14741;C4;8672@;=;?4>:7>;@1625F<4B;5F<4

")

）

&(*W(*]$16;4B18c!U#$V11@H?5;6?;'()("'W(

（



!W#

张思雨

'

张秋菊

'

李可

$

采用机器视觉与自适应卷积神经网络

检测花生仁品质

!U#$

农业工程学报

'()()'ZX

（

W

）

&(X](++$



^OPGHQ'^OPG`U'L-[$J>56FD7?<56;05>51676@

7@7A450;?16;38726;4B18c41@;4;?44<;b3725491=

A;7634c;86;2>!U#$K876>7?4516>1=4<;I<56;>;H1?5;491=

@;4;?4516D;4<1@:7>;@1625F<4B;5F<4?16;3872

6;4B18c!U#$;:;5-6@3>48572K;?<6121F9'()("'Z*

（

Y

）

&Z**Z]W$



!*#

梅金波

'

李涛

'

秦寅初

$

苹果采摘机器人监测系统和表面缺陷

检测方法研究

!U_SL#$

计算机测量与控制

$

（

()(Z)""]

）

!()(Z



)()W#$<44A>&__c6>$?6c5$6;4_c?D>_@;4752__""$W+X($4A$()(Z)""*$""(($



))X$<4D2$

R.-U,'L-K'`-PQI$T;>;78?<167AA2;A5?c56F81:14

D16541856F>9>4;D76@>38=7?;@;=;?4@;4;?4516D;4<1@>!U_SL#$

I1DA34;8R;7>38;D;6476@I164812$

（

()(Z)""]

）

!()(Z)()W#$



<44A>&__c6>$?6c5$6;4_c?D>_@;4752__""$W+X($4A$()(Z)""*$""(($))X$<4D2$

!]#G..KOTOROP-G'OTJP/OP%-OPU$-@;645=5?745161=A2764

2;7=@5>;7>;>3>56F7656;279;8@;;A?16;38726;4B18c



!U#$I1DA34;8>76@.2;?485?72.6F56;;856F'()"]'+X&Z(ZZZ*$



!")#L-J,'^OPGQ'.%U';472$-@;645=5?745161=7AA2;2;7=

@5>;7>;>:7>;@16@;;A?16;38726;4B18c>!U#$

"

）

&""$H9DD;489'()"+'")

（

!""#

董腾

'

秦腾飞

'

张如如

'

等

$

基于机器视觉的水果分拣系统

!U#$

聊城大学学报（自然科学版）

'()"+'Z)

（

"

）

&]Z]X$



%SPGK'`-PKV'^OPGTT';472$V8354>18456F>9>4;D:7>;@

16D7?<56;05>516!U#$U1386721=L571?<;6FJ650;8>549

（

P743872

H?5;6?;.@54516

）

'()"+'Z)

（

"

）

&]Z]X$



!"(#

周伟

'

徐颖若

$

基于

/LI

和图像处理的水果分类智能控制系

Copyright©博看网. All Rights Reserved.

１５９

贮运与保鲜

ＳＴＯＲＡＧＥＴＲＡＮＳＰＯＲＴＡＴＩＯＮ＆ＰＲＥＳＥＲＶＡＴＩＯＮ

总第

２６０

期

｜

２０２３

年

６

月

｜

统

!U#$

农机化研究

'()("'"(

（

Y

）

&(ZY(Z]$



^SJ

N'MJQT$-64;225F;64?164812>9>4;D1==8354

27>>5=574516:7>;@16/LI76@5D7F;A81?;>>56F!U#$OF85?3243872

Y

）

&(ZY(Z]$R;?<765E74516T;>;78?<'()("'"(

（



!"Z#

赵小霞

'

李志强

$

基于

/LI

和机器视觉的水果自动分级系统

研究

!U#$

农机化研究

'()("'"(

（

*

）

&+Y+]$



^OSMM'L-^`$T;>;78?<167341D745?=8354F87@56F>9>4;D

:7>;@16/LI76@D7?<56;05>516!U#$OF85?3243872R;?<765E74516

T;>;78?<'()("'"(

（

*

）

&+Y+]$



!"W#

海潮

'

赵凤霞

'

孙烁

$

基于

,21:

分析的红枣表面缺陷在线检测

技术

!U#$

食品与机械

'()"*'ZW

（

"

）

&"(X"(]$



256;@;4;?45164;?<6121F91=8;@O-I'^OSVM'HJPH$S6



e3e3:;>38=7?;@;=;?4>:7>;@16,21:76729>5>!U#$V11@a

R7?<56;89'()"*'ZW

（

"

）

&"(X"(]$



!"Y#

杨双艳

'

杨紫刚

'

张四伟

'

等

$

基于近红外光谱和

/HSHdR

算



法的烟叶自动分级方法

!U#$

贵州农业科学

'()"*'WX

（

"(

）

&

"W""WW$



QOPGHQ'QOPG^G'^OGPHN';472$O341D745?41:7??1

F87@56FD;4<1@:7>;@166;7856=878;@>A;?481>?1A976@/HSHdR



72F1854'()"*'WX

（

"(

）

&

"W""WW$



D;76>

的苹果

!"X#

王阳阳

'

黄勋

'

陈浩

'

等

$

基于同态滤波和改进

[



分级算法研究

!U#$

食品与机械

'()"]'ZY

（

"(

）

&W+Y"'""($



NOPGQQ'JOPGM'I.P';472$OAA2;F87@56F72F1854

D;76>!U#$V11@a:7>;@16<1D1D18A<5?=524;856F76@5DA810;@[



"(

）

&W+Y"'""($D7?<56;89'()"]'ZY

（



!"+#

王立扬

'

张瑜

'

沈群

'

等

$

基于改进型

L;P;4Y

的苹果自动分级



方法

!U#$

中国农机化学报

'()()'W"

（

+

）

&")Y"")$



NOPGLQ'^OPGQ'H.P`';472$O341D745?7AA2;

Y!U#$I<56;>;U13867227>>5=574516D;4<1@:7>;@165DA810;@2;6;4



+

）

&")Y"")$1=OF85?3243872R;?<761?<;D5>489'()()'W"

（



!"*#

于蒙

'

李雄

'

杨海潮

'

等

$

基于图像识别的苹果的等级分级研

究

!U#$

自动化与仪表

'()"]'ZW

（

+

）

&Z]WZ$



QJR'L-M'QOPGI';472$OAA2;F87@56F:7>;@165D7F;

+

）

&8;?1F654516!U#$O341D7451676@-6>483D;6474516'()"]'ZW

（

WZ$Z]



!"]#

樊泽泽

'

柳倩

'

柴洁玮

'

等

$

基于颜色与果径特征的苹果树果

实检测与分级

!U#$

计算机工程与科学

'()()'W(

（

]

）

&"Y]]"X)+$



VOP^^'L-J`'IO-UN';472$OAA2;=8354@;4;?451676@

F87@56F:7>;@16?121876@=8354@57D;4;8?<787?4;85>45?>!U#$

]

）

&"Y]]"X)+$I1DA34;8.6F56;;856F76@H?5;6?;'()()'W(

（



!()#

王冉冉

'

刘鑫

'

尹孟

'

等

$

面向苹果硬度检测仪的声振信号激

农业与生命科学版）励与采集系统设计

!U#$

浙江大学学报（

'

"

）

&"""""*$()()'WX

（



NOPGTT'L-JM'Q-PR';472$%;>5F61=7?13>45?05:874516

>5F672;C?547451676@7?b35>54516>9>4;D=187AA2;<78@6;>>4;>4;8

!U#$U1386721=^<;e576FJ650;8>549

（

OF85?32438;76@L5=;H?5;6?;>

'()()'WX

（

"

）

&"""""*$.@54516

）



!("#

刘英

'

周晓林

'

胡忠康

'

等

$

基于优化卷积神经网络的木材缺

陷检测

!U#$

林业工程学报

'()"]'W

（

"

）

&""Y"()$



L-JQ'^SJML'J^[';472$N11@@;=;?4@;4;?4516:7>;@16

1A45D5E;@?16;38726;4B18c!U#$U1386721=V18;>489

.6F56;;856F'()"]'W

（

"

）

&""Y"()$



!((#

王泽霞

'

陈革

'

陈振中

$

基于改进卷积神经网络的化纤丝饼表

面缺陷识别

!U#$

纺织学报

'()()'W"

（

W

）

&Z]WW$



NOPG^M''I.P^^$H38=7?;@;=;?48;?1F6545161=

?<;D5?72=5:;8?7c;:7>;@165DA810;@?16;3872

6;4B18c!U#$U1386721=K;C452;T;>;78?<'()()'W"

（

W

）

&Z]WW$



!(Z#

王志中

$

基于改进蚁群算法的移动机器人路径规划研究

!U#$

机械设计与制造

'()"*'"(

（

"

）

&(W((WW$



NOPG^^$T;>;78?<16D1:52;81:14A74;@16

5DA810;@764?1216972F18545F676@

"

）

&(W((WW$R763=7?43856F'()"*'"(

（



!(W#

杨志锐

'

郑宏

'

郭中原

'

等

$

基于网中网卷积神经网络的红枣

缺陷检测

!U#$

食品与机械

'()()'ZX

（

(

）

&"W)"WY'"*"$



QOPG^T'^.PG'GJS^Q';472$%;=;?4@;4;?45161=e3e3:;

:7>;@16?16;38726;4B18c1=6;4566;4!U#$V11@a

(

）

&"W)"WY'"*"$R7?<56;89'()()'ZX

（



!(Y#'.['G-TH-I[T';472$V7>4;8TIPP&K1B78@>8;72



45D;1:e;?4@;4;?4516B54<8;F516A81A1>726;4B18c>!U#$-...

K876>7?4516>16/744;86O6729>5>aR7?<56;-64;225F;6?;'()"+'Z]

（

X

）

&""Z+""W]$



（上接第

１５４

页）

!"X#^OSM'QOPG^'GO-G';472$.==;?41=>3A;8=56;F856@56F16

A81A;845;>1=F56F;8A1B@;8!U#$U1386721=V11@.6F56;;856F'())]'

]"

（

(

）

&("+((($



!"+#

许晴晴

'

陈杭君

'

郜海燕

$

真空冷冻和热风干燥对蓝莓品质的

影响

!U#$

食品科学

'()"W'ZY

（

Y

）

&XWX*$



MJ``''GOSQ$.==;?4>1=07?33D=8;;E;@8956F



76@<14758@8956F164<;b3725491=:23;:;889=8354>!U#$V11@



Y

）

&XWX*$H?5;6?;'()"W'ZY

（



!"*#

王丰

'

李保国

'

申江

'

等

$

胡萝卜冰温干燥实验研究

!U#$

食品与

发酵工业

'()"('Z*

（

"

）

&")"")W$



NOPGV'L-,G'';472$H43@916?1648122;@=8;;E56F



A1564@85;@A81?;>>56F1=?78814!U#$V11@76@V;8D;6474516

-6@3>485;>'()"('Z*

（

"

）

&")"")W$



!"]#

李恩婧

'

李次力

'

王吉

'

等

$

干燥方式对野生蒲公英品质的影

响

!U#$

食品与机械

'()"('(*

（

X

）

&+)+Z$



L-.U'L-IL'NOPGU';472$.==;?41=@8956FD;4<1@>164<;

A<9>5?1?<;D5?7276@>;6>189b3725491=4787C7?3D1==5?5672;!U#$



V11@aR7?<56;89'()"('(*

（

X

）

&+)+Z$



!()#

李静

'

李顺峰

'

王安建

'

等

$

适宜热烫条件保持双孢蘑菇片品

质和颜色

!U#$

农业工程学报

'()"W'Z)

（

+

）

&(X*(+Z$



L-U'L-HV'NOPGOU';472$OAA81A8574;B74;8:276?<56F

48;74D;6441c;;Ab37254976@?12181=7F785?3>:5>A183>>25?;>!U#$

K876>7?4516>1=4<;I<56;>;H1?5;491=OF85?3243872.6F56;;856F'

()"W'Z)

（

+

）

&(X*(+Z$



１６０

Copyright©博看网. All Rights Reserved.