注意力机制和卷积神经网络的秀珍菇品质检测方法技术

本发明专利技术提供一种注意力机制和卷积神经网络的秀珍菇品质检测方法，该方法包括：采集多个不同形态的秀珍菇的特征图像；对特征图像依次进行裁剪及标注生成训练集、验证集及测试集；在实例分割模型中引入无参数注意力机制得到优化模型；将训练集输入至优化模型中进行数据训练得到深度学习模型；将验证集输入至深度学习模型中进行数据验证得到验证结果，并将验证结果与验证集进行比较，基于比较结果对深度学习模型进行调参得到检测模型；将测试集输入至检测模型中进行数据预测得到预测结果，当预测结果符合预设要求时，利用检测模型对秀珍菇进行品质检测。本发明专利技术通过卷积神经网络模型完成对秀珍菇的品质检测，提高了检测准确率和工作效率。作效率。作效率。

【技术实现步骤摘要】
注意力机制和卷积神经网络的秀珍菇品质检测方法


[0001]本专利技术涉及食用菌表型分析
，特别涉及一种注意力机制和卷积神经网络的秀珍菇品质检测方法。

技术介绍

[0002]秀珍菇属于可食用菌中的一种，其口感鲜爽，富含多种人体所需的营养元素，具有抗癌、提高人体免疫力等多种保健功效。人们对优质秀珍菇的需求日益增加，然而只有符合品质标准的秀珍菇才能在市场上打开销路，工厂化培育时，菇体缺陷的存在是收获和运输过程中的巨大挑战，因此筛选菇体品质阶段至关重要。
[0003]近年来，随着计算机技术的快速发展，采用机器视觉的方法对农产品进行分级已经日趋成熟，国内外专家做了大量的工作。目前，机器视觉技术被广泛用于农产品市场。利用机器视觉技术进行对马铃薯、苹果、西红柿等农产品的品质进行分类和检测，大大提高了农产品分拣效率。现有技术中存在两种检测方法，一种是基于复合知识蒸馏算法的黑皮鸡枞菌分级检测方法，复合蒸馏的Resnet18算法识别精度为96.89%，识别单幅图像所用时间为0.032s。另一种是改进的YOLOX方法可以有效地检验香菇的表面纹理，mAP和FSP分别为99.96%和57.3856，有效地应用于香菇生产过程中的快速质量分类。这些深度学习应用在食用菌领域的例子都表明了，深度学习在食用菌表型处理领域具有较好的效果，但是在秀珍菇表型分析上，使用深度学习进行处理的研究并不多。
[0004]目前秀珍菇分类工作主要通过人工观察，人工分类是用人眼对秀珍菇的外部特征进行观察判断，大多数地区均是以菇盖裂纹数、菌柄长度、菇形完整度作为其品质分级的重要依据。这种方法具有主观性、耗时耗力、分类效率低，很难达到标准化的筛选要求。因此，对秀珍菇进行缺陷智能检测从而实现品质分级可以解决上述问题。

技术实现思路

[0005]基于此，本专利技术的目的是提供一种注意力机制和卷积神经网络的秀珍菇品质检测方法，以至少解决上述相关技术中的不足。
[0006]本专利技术提出一种注意力机制和卷积神经网络的秀珍菇品质检测方法，包括：采集秀珍菇的图像信息，其中，所述图像信息包括多个不同形态的秀珍菇的特征图像；对所述特征图像依次进行裁剪以及标注，以生成对应的训练集、验证集以及测试集；构建实例分割模型，并在所述实例分割模型中引入无参数注意力机制，以得到优化模型；将所述训练集输入至所述优化模型中进行数据训练，以得到对应的深度学习模型；将所述验证集输入至所述深度学习模型中进行数据验证，以得到对应的验证结
果，并将所述验证结果与所述验证集进行比较，基于比较结果对所述深度学习模型进行调参，以得到对应的检测模型；将所述测试集输入至所述检测模型中进行数据预测，以得到对应的预测结果，当所述预测结果符合预设要求时，利用所述检测模型对秀珍菇进行品质检测。
[0007]进一步的，对所述特征图像依次进行裁剪以及标注，以生成对应的训练集、验证集以及测试集的步骤包括：利用图像滤波算法对所述特征图像进行预处理，以得到预处理后的特征图像；对所述预处理后的特征图像进行图像裁剪，以保留所述预处理后的特征图像中秀珍菇的正面部位图像；利用数据增强算法扩充所述正面部位图像，并通过语义分割算法标注所述正面部位图像以及扩充后的正面部位图像，以生成对应的训练集、验证集以及测试集。
[0008]进一步的，所述实例分割模型的特征提取网络采用Resnet101，所述实例分割模型的特征融合网络采用特征金字塔FPN，所述构建实例分割模型，并在所述实例分割模型中引入无参数注意力机制，以得到优化模型的步骤包括：获取无参数注意力机制，并将所述无参数注意力机制加入至所述特征提取网络中每一个残差结构中，以得到优化模型。
[0009]进一步的，将所述训练集输入至所述优化模型中进行数据训练，以得到对应的深度学习模型的步骤包括：通过所述优化模型对所述训练集中各秀珍菇图像进行语义分割，以得到对应的特征图；利用所述优化模型中的特征金字塔对所述特征图进行特征采样，以得到对应的有效特征；对所述有效特征进行特征截取，并对特征截取后的有效特征依次进行分类回归和语义分割，根据所得到的评价数据和所述优化模型得到对应的深度学习模型。
[0010]进一步的，将所述验证集输入至所述深度学习模型中进行数据验证，以得到对应的验证结果，并将所述验证结果与所述验证集进行比较，基于比较结果对所述深度学习模型进行调参，以得到对应的检测模型的步骤包括：利用所述深度学习模型对所述验证集依次进行语义分割、特征采样以及特征截取，从而得到所述验证集在所述深度学习模型中的验证结果；将所述验证结果与所述验证集中对应的图像进行图像比较，并基于比较结果对所述深度学习模型进行调参，以得到对应的检测模型。
[0011]本专利技术还提出一种注意力机制和卷积神经网络的秀珍菇品质检测系统，包括：图像采集模块，用于采集秀珍菇的图像信息，其中，所述图像信息包括多个不同形态的秀珍菇的特征图像；图像处理模块，用于对所述特征图像依次进行裁剪以及标注，以生成对应的训练集、验证集以及测试集；模型构建模块，用于构建实例分割模型，并在所述实例分割模型中引入无参数注意力机制，以得到优化模型；数据训练模块，用于将所述训练集输入至所述优化模型中进行数据训练，以得到
对应的深度学习模型；数据验证模块，用于将所述验证集输入至所述深度学习模型中进行数据验证，以得到对应的验证结果，并将所述验证结果与所述验证集进行比较，基于比较结果对所述深度学习模型进行调参，以得到对应的检测模型；数据预测模块，用于将所述测试集输入至所述检测模型中进行数据预测，以得到对应的预测结果，当所述预测结果符合预设要求时，利用所述检测模型对秀珍菇进行品质检测。
[0012]进一步的，所述图像处理模块包括：预处理单元，用于利用图像滤波算法对所述特征图像进行预处理，以得到预处理后的特征图像；图像裁剪单元，用于对所述预处理后的特征图像进行图像裁剪，以保留所述预处理后的特征图像中秀珍菇的正面部位图像；图像处理单元，用于利用数据增强算法扩充所述正面部位图像，并通过语义分割算法标注所述正面部位图像以及扩充后的正面部位图像，以生成对应的训练集、验证集以及测试集。
[0013]进一步的，所述实例分割模型的特征提取网络采用Resnet101，所述实例分割模型的特征融合网络采用特征金字塔FPN，所述模型构建模块包括：模型构建单元，用于获取无参数注意力机制，并将所述无参数注意力机制加入至所述特征提取网络中每一个残差结构中，以得到优化模型。
[0014]进一步的，所述数据训练模块包括：语义分割单元，用于通过所述优化模型对所述训练集中各秀珍菇图像进行语义分割，以得到对应的特征图；特征采样单元，用于利用所述优化模型中的特征金字塔对所述特征图进行特征采样，以得到对应的有效特征；数据训练单元，用于对所述有效特征进行特征截取，并对特征截取后的有效特征依次进行分类回归和语义分割，根据所得到的评价数据和所述优化模型得到对应的深度学习模型。
[0015]进一步的，所述数据验证模块包括：数据验证单元，用于利用所述深度学习模型对所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种注意力机制和卷积神经网络的秀珍菇品质检测方法，其特征在于，包括：采集秀珍菇的图像信息，其中，所述图像信息包括多个不同形态的秀珍菇的特征图像；对所述特征图像依次进行裁剪以及标注，以生成对应的训练集、验证集以及测试集；构建实例分割模型，并在所述实例分割模型中引入无参数注意力机制，以得到优化模型，其中，所述无参数注意力机制嵌入至所述实例分割模型的残差结构的三层卷积层之后；将所述训练集输入至所述优化模型中进行数据训练，以得到对应的深度学习模型；将所述验证集输入至所述深度学习模型中进行数据验证，以得到对应的验证结果，并将所述验证结果与所述验证集进行比较，基于比较结果对所述深度学习模型进行调参，以得到对应的检测模型；将所述测试集输入至所述检测模型中进行数据预测，以得到对应的预测结果，当所述预测结果符合预设要求时，利用所述检测模型对秀珍菇进行品质检测。2.根据权利要求1所述的注意力机制和卷积神经网络的秀珍菇品质检测方法，其特征在于，对所述特征图像依次进行裁剪以及标注，以生成对应的训练集、验证集以及测试集的步骤包括：利用图像滤波算法对所述特征图像进行预处理，以得到预处理后的特征图像；对所述预处理后的特征图像进行图像裁剪，以保留所述预处理后的特征图像中秀珍菇的正面部位图像；利用数据增强算法扩充所述正面部位图像，并通过语义分割算法标注所述正面部位图像以及扩充后的正面部位图像，以生成对应的训练集、验证集以及测试集。3.根据权利要求1所述的注意力机制和卷积神经网络的秀珍菇品质检测方法，其特征在于，所述实例分割模型的特征提取网络采用Resnet101，所述实例分割模型的特征融合网络采用特征金字塔FPN，所述构建实例分割模型，并在所述实例分割模型中引入无参数注意力机制，以得到优化模型的步骤包括：获取无参数注意力机制，并将所述无参数注意力机制加入至所述特征提取网络中每一个残差结构中，以得到优化模型。4.根据权利要求1所述的注意力机制和卷积神经网络的秀珍菇品质检测方法，其特征在于，将所述训练集输入至所述优化模型中进行数据训练，以得到对应的深度学习模型的步骤包括：通过所述优化模型对所述训练集中各秀珍菇图像进行语义分割，以得到对应的特征图；利用所述优化模型中的特征金字塔对所述特征图进行特征采样，以得到对应的有效特征；对所述有效特征进行特征截取，并对特征截取后的有效特征依次进行分类回归和语义分割，根据所得到的评价数据和所述优化模型得到对应的深度学习模型。5.根据权利要求1所述的注意力机制和卷积神经网络的秀珍菇品质检测方法，其特征在于，将所述验证集输入至所述深度学习模型中进行数据验证，以得到对应的验证结果，并将所述验证结果与所述验证集进行比较，基于比较结果...

【专利技术属性】
技术研发人员：王江，王婧，殷华，胡丹丹，刘明德，陈以淮，
申请(专利权)人：江西机电职业技术学院，
类型：发明
国别省市：