申请/专利权人：黄三角智能农机装备产业研究院;青岛农业大学

申请日：2023-07-12

公开（公告）日：2023-10-20

公开（公告）号：CN116912573A

主分类号：G06V10/764

分类号：G06V10/764;G06V20/68;G06V10/54;G06V10/56;G06V10/82;G06V10/77;G06V10/26;G06N3/0464;G06N3/047;G06N3/048;G06N3/084

优先权：["20230703 CN 2023108058067"]

专利状态码：在审-实质审查的生效

法律状态：2023.11.07#实质审查的生效;2023.10.20#公开

摘要：本发明提出一种基于改进ResNet的花生荚果品质检测分类方法，以ResNet18作为模型训练的最佳骨干特征提取网络，并设计KRSNet模块、CSPNet模块和CBAM注意力模块三种模型对算法进行优化，KRSNet模块使模型轻量化，CSPNet模块提高每个特征层的学习效率，CBAM注意力模块提高捕捉花生荚果的更多特征信息的能力，并通过花生荚果数据库对设计的模型进行评价和泛化实验，为其他农产品精确分级或分类提供参考。本方案提出的花生荚果品质检测分类模型具有较高的有效性，同时该模型适合部署在移动终端等嵌入式资源受限设备上，实现对花生荚果品质的实时准确识别，具有准确度高、轻量化和易嵌套等优点，具有更高的实用和推广价值。

主权项：1.基于改进ResNet的花生荚果品质检测分类方法，其特征在于，包括以下步骤：步骤A、建立花生荚果分类数据集，构建PQDA模型并训练；步骤A1、构建数据集：构建花生荚果图像数据库，对花生荚果图像数据进行分类，包括正常、虫害、发霉、单果、破损和发芽6个类别；步骤A2、构建PQDA模型：以ResNet18网络为骨干，将CBAM注意力模块、KRS轻量化方法和CSPNet模块加入ResNet18网络中；1对于输入的花生荚果图像首先经过首个卷积层得到输入特征图，利用CSPNet模型将输入特征图分为两部分并行计算，一部分用于当前残差块计算，另一部分跨阶段传递；2残差块计算部分使用KRS轻量化方法，修改其中的直接映射部分与残差部分，在得到残差部分的输出特征图F后，引入CBAM注意力机制，将输出特征图F作为CBAM的输入，并使跨阶段传递部分经1×1卷积调整通道数；3按照CSPNet模型架构思想将直接映射部分和残差部分输出拼接合并，输出当前阶段新生成的卷积特征图；将新生成的卷积特征图代替原始ResNet18经残差块生成的卷积特征图进行前向传播，其余部分按原始ResNet18网络搭建，完成PQDA模型构建；步骤B、采集待分类的花生荚果图像数据，基于训练好的PQDA模型对花生荚果品质检测分类。

全文数据：

权利要求：

百度查询： 黄三角智能农机装备产业研究院;青岛农业大学 基于改进ResNet的花生荚果品质检测分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD