基于卷积神经网络的天麻表面破损检测研究

摘要

[目的]为解决传统天麻表面破损主要依靠人工检测的问题,提出将残差神经网络模型(Faster R-CNN ResNet101)检测方法应用到天麻表面破损识别中,以期取得较好的识别效果.[方法]以腐烂、霉变、机械损伤和完好等4类天麻为研究对象,在卷积神经网络和区域候选网络的基础上构建模型,然后在tensorflow框架上实现模型检测,最后对比分析结果.[结果]天麻表面破损检测模型利用Faster R-CNN ResNet 101网络中的输入卷积层以及4个卷积组进行特征提取,区域候选网络生成天麻表面破损的初步位置候选框,实现候选框的分类和定位,其识别率达95.14％,且查准率为0.94,召回率为0.92.与SSD (Single Shot multibox De-tector)、Faster_rcnn_inception和Rfcn_ resnet101等3种神经网络识别方法对比,识别率分别提高了13.02％、10.69％和12.02％.[结论]该模型具有泛化能力强、准确率较高和鲁棒性较好等特点,为农产品的识别研究提供了参考和借鉴.