基于深度学习的青梅品质智能分选技术与装备研究

摘要：

青梅内外品质对其精深加工过程有重要影响,常规人工分选不仅分级效率较低,且受个人主观因素影响难以实现标准化作业,不能满足市场需求.以深度学习技术为基础,在青梅外表缺陷分类方面,将Vision Transformer网络模型应用到机器视觉系统中,引人多头注意力机制,提升全局特征表示能力,并通过softmax函数减少梯度,实现青梅表面的多类(腐烂、裂纹、疤痕、雨斑、完好5类)检测分选,结果表明其平均判别准确率达到99.16％,其中腐烂、疤痕、裂纹以及完好青梅图像的判别准确率达到100％、雨斑达到97.38％,每组平均测试时间为100.59 ms;该网络的各类判别准确率、平均判别准确率均明显优于VGG网络、ResNet-18网络.青梅内部品质(SSC)预测方面,基于高光谱成像技术,结合低秩张量恢复(LRTR)的去噪优势和堆叠卷积自动编码器(SCAE)的降维优势,构建了LRTR-SCAE-PLSR青梅糖度预测模型.结果表明网络规模为119-90-55-36时,模型预测集相关系数为0.965 4,均方根误差为0.582 7％,表现最佳;通过SCAE、LRTR-SCAE两种降维模型对比,LRTR-SCAF.模型不仅维度更低,预测集相关系数也明显提高,验证了 LRTR-SCAE模型的降维去噪优势.设计并搭建了可用于青梅内外品质无损分选的智能装备,整机尺寸小,结构简单,分选结果满足青梅精深加工需求.

关键词：青梅、智能分选装备、可溶性固形物、Vision Transformer模型、低秩张量恢复

所属期刊栏目：53

分类号：S126(农业物理学)

资助基金：江苏省农业科技自主创新资金项目CX183071

在线出版日期：2023-01-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：402-411