基于改进单次多目标检测器的果面缺陷冬枣实时检测

为实现果面缺陷冬枣实时检测,并解决缺陷的尺寸与位置不同影响检测精度的问题,提出一种基于改进单次多目标检测器(Single shot multibox detector,SSD)的果面缺陷冬枣实时检测方法。以陕西大荔冬枣中的虫蛀、轮纹和木质化3种缺陷果和正常果为研究对象,在数据采集设备下采集实际分拣图像,然后通过数据增强由400张扩充至2000张。改进SSD,建立MobileNetV3-SSD模型,为实时检测奠定基础;引入改进感受野块(RFB)可实现模型多尺寸提取冬枣缺陷特征的能力;用空间注意力模块(SAM)代替挤压和激励通道注意力模块(SE)增强模型定位冬枣缺陷特征的能力。试验结果表明,本研究模型在果面缺陷冬枣数据集上的表现均优于目前先进目标检测网络模型(RetinaNet和EfficientDet-D0),该模型对4类冬枣的整体检测精准性(mAP)达到91.89%,检测速度达到1 s 40.85帧。因此本研究模型较好地平衡了实时性和精准性,可应用于果面缺陷冬枣分拣流水线。

多尺度卷积特征融合的SSD目标检测算法

提出了一种改进的多尺度卷积特征目标检测方法,用以提高SSD(single shot multibox detector)模型对中目标和小目标的检测精确度。该方法先对SSD模型低层特征层采用区域放大提取的方法以提高对小目标的检测能力,再对高层特征层进行特征提取以改善中目标的检测效果。最后,利用SSD模型中原有的多尺度卷积检测方法,将改进的多层特征检测结果进行融合,并通过参数再训练以获得最终改进的SSD模型。实验结果表明,该方法在MS COCO数据集上对中目标和小目标的测试精确度分别为75.1%和40.5%,相比于原有SSD模型分别提升16.3%和23.1%。