基于注意力机制的水果新鲜度检测可解释模型

近年来,基于机器视觉和深度学习的水果新鲜度检测成为主流方法之一。针对现有的深度学习技术,对卷积神经网络在水果的特征提取方面的应用进行探讨,在ResNet34主干网络中引入卷积注意力模块(CBAM),以实现水果新鲜度的检测,并采用类激活图(CAM)系列技术对于能够反映图片关键特征的像素进行热力图可视化。在水果公开数据集上,引入注意力机制前、后的ResNet34分类准确率分别为96.80%和99.71%。同时,CAM热力图反映注意力模型能够更加准确地捕获水果图像中变质腐烂的区域,表明提出的模型改善了深度学习特征提取的能力,不仅提高了模型的泛化能力,而且增强了模型的可解释性。

基于改进YOLOv5s的水果新鲜度检测算法研究

水果新鲜度分级在食品行业中有着重要作用。新鲜度是衡量水果质量的重要标准,直接影响到消费者的身体健康和购买欲望。由于水果颜色、纹理和外部环境变化(如阴影、照明和复杂背景)的相似性,使用机器视觉对水果进行自动识别和分类是具有挑战性的。文章提出一种基于改进YOLOv5s网络模型的多类水果分级方法。首先,引入DIoU-NMS算法,考虑预测框与真实框之间的重叠率以及中心点距离,回归精度得到提高;其次,利用K-means算法对初始锚框进行调整;最后,在主干网络Backbone中嵌入CAM,加强网络的特征提取能力。试验结果表明:改进后的YOLOv5s水果新鲜度检测算法平均检测一张图像耗时为0.028 s,且其mAP达到96.6%,比原来YOLOv5s模型提升了2.4%。所提方法为水果新鲜度检测提供一种高性能的解决方案,并能够以较高的准确率对多类水果进行分级与定位。