基于生成对抗网络和Mask R-CNN的苹果早期变质检测

[目的]提高苹果早期变质区的检测准确率.[方法]基于生成对抗网络和卷积神经网络技术的苹果变质区检测方法.利用Pix2PixHD模型生成包含采后早期变质区的贮藏苹果的近红外成像数据;使用Mask R-CNN模型对生成的近红外图像进行分割,以检测苹果中的变质区;在具有人工智能功能的低成本嵌入式系统上,利用生成的近红外成像数据,实施基于生成对抗网络和卷积神经网络技术的采后苹果的早期变质区域分割和预测.[结果]该方法对收获后苹果的早期变质检测平均准确率比其他9种方法高1.825％～10.435％;Pix2PixHD能以17帧/s的速度从RGB图像生成了可视近红外图像,Mask R-CNN能够以4.2帧...

Full description

Saved in:
Bibliographic Details
Published in食品与机械 Vol. 40; no. 6; pp. 143 - 169
Main Authors 于琦龙, 赵晓东, 籍宇, 王春荣, 孙尧
Format Journal Article
LanguageChinese
Published 河北机电职业技术学院,河北 邢台 054000%河北科技大学,河北 石家庄 050018%河北农业大学,河北保定 071001 01.06.2024
Subjects
generative adversarial network
apple
生成对抗网络
苹果
卷积神经网络
early spoilage detection
早期变质检测
convolutional neural network
图像转换
image conversion
Online AccessGet full text
ISSN1003-5788
DOI10.13652/j.spjx.1003.5788.2024.60038

Cover

More Information
Summary:[目的]提高苹果早期变质区的检测准确率.[方法]基于生成对抗网络和卷积神经网络技术的苹果变质区检测方法.利用Pix2PixHD模型生成包含采后早期变质区的贮藏苹果的近红外成像数据;使用Mask R-CNN模型对生成的近红外图像进行分割,以检测苹果中的变质区;在具有人工智能功能的低成本嵌入式系统上,利用生成的近红外成像数据,实施基于生成对抗网络和卷积神经网络技术的采后苹果的早期变质区域分割和预测.[结果]该方法对收获后苹果的早期变质检测平均准确率比其他9种方法高1.825％～10.435％;Pix2PixHD能以17帧/s的速度从RGB图像生成了可视近红外图像,Mask R-CNN能够以4.2帧/s的速度对苹果图像中的变质区域进行分割.[结论]研究提出的方法有望促进低成本食品质量控制器的开发.
ISSN:1003-5788
DOI:10.13652/j.spjx.1003.5788.2024.60038