基于CNN-SVM模型的鸡蛋外观品质检测

[目的]提高鸡蛋外观品质检测的精度,建立CNN-SVM模型的鸡蛋外观品质检测模型。[方法]结合CNN的自适应特征提取功能和SVM的超强泛化分类性能,通过6层卷积神经网络结构处理提取全连接层的特征,采用CNN-SVM混合模型替代传统CNN+softmax,构建一个基于CNN-SVM模型的鸡蛋外观品质检测方法。[结果]与SVM模型、CNN模型和KNN模型相比,CNN-SVM模型在准确率、精确率、召回率和F1分数方面表现优异,分别为97.97%,98.10%,98.10%,98.00%。KNN模型在鸡蛋外观品质检测上的精度最低,其准确率、精确率、召回率和F1分数分别为77.46%,79.44%,76.75%,76.90%。[结论]CNN-SVM模型具有很强的鲁棒性和抗噪声能力,可以有效提高鸡蛋外观品质检测的准确性和适用性。

融合Fasternet与YOLOv5模型的鸡蛋外观检测

[目的]高效识别自动化生产过程中存在蛋壳瑕疵的鸡蛋。[方法]设计了一种融合Fasternet模块与YOLOv5s的鸡蛋外观检测模型FC-YOLOv5。该模型使用Kmeans++算法对数据集重新聚类,优化先验框;将C3结构中的Bottleneck模块替换为FasternetBlock模块,减少模型参数量,同时提高模型检测精度;采用Soft-NMS算法作为非极大值抑制算法,提高重叠特征的检测效果;引入CBAM注意力机制,增加网络模型对重要特征的提取能力。[结果]与YOLOv5原模型相比,改进后的FC-YOLOv5模型在mAP@0.5和mAP@0.5:0.95上分别提高了3.2%和5.2%,计算量和参数量分别减少了19.6%和16.9%,且与YOLOv7-tiny和YOLOv8模型相比有显著优势。[结论]试验方法在鸡蛋外观检测场景下可提高检测精度并降低参数量,达到鸡蛋自动化生产中的次品蛋识别目的。