基于深度学习的移动端缺陷蛋检测系统研究

摘要

针对缺陷鸡蛋差异性大、人工检测主观性强、实时性差,消费者存在食品安全隐患等问题,提出一种基于深度学习的移动端缺陷蛋无损检测系统,实现对裂纹蛋和血斑蛋的实时检测。首先,建立改进的轻量级卷积神经网络MobileNetV2_CA模型,以MobileNetV2原网络为基础,通过嵌入坐标注意力机制、调整宽度因子、迁移学习等操作对其进行优化,并进行PC端检测对比试验。试验结果表明:建立的MobileNetV2_CA模型验证集准确率达93.93%,召回率为94.73%,单个鸡蛋平均检测时间为9.9 ms,对比改进前MobileNetV2模型准确率提升3.60个百分点、召回率提升4.30个百分点、检测时间缩短2.62 ms;MobileNetV2_CA模型的参数量为2.36×10^(6),较原MobileNetV2网络模型降低31.59%。然后,利用NCNN深度学习框架对MobileNetV2_CA模型进行训练,并通过格式转换部署至Android移动端,进行NCNN深度学习训练模型的移动端检测验证,及其与TensorFlow Lite深度学习模型的对比分析。试验结果表明:NCNN深度学习模型对缺陷蛋平均识别准确率达到92.72%,单个鸡蛋平均检测时间为22.1 ms,库文件大小仅2.7 MB,均优于TensorFlow Lite,更能满足实际应用要求。