基于机器视觉的苹果缺陷快速检测方法研究

针对目前中国苹果分选大部分还是经由人工筛选的现状,提出一种基于机器视觉的苹果缺陷快速检测方法。采用亮度自动校正技术消除苹果表面亮度不均匀分布,根据缺陷候选区域的数量,完成对苹果的初步判断,并使用加权相关向量机进一步对有缺陷的苹果进行判断。通过试验对文中方法的有效性和准确性进行验证。试验结果表明,该检测方法对1 000个测试样本的识别准确率为99.1%,对各种缺陷的检测精度较高。

基于YOLO v3的输电线路缺陷快速检测方法

无人机巡检方式在输电线路巡检中逐渐普及,但仅通过实时的人工观测效率低下。目前已有算法能够实现图像的自动识别,但检测速度慢,无法实现视频图像的处理。本文提出一种基于YOLO v3的输电线路缺陷快速检测方法。该方法首先建立YOLO v3目标检测模型,通过对训练样本库进行聚类分析得到目标候选区域的先验尺寸;通过调整损失函数来加快模型的训练过程,调整模型的学习方向。最后,通过建立输电线路缺陷样本库并进行训练,实现了输电线路缺陷检测。测试结果表明,相比于Faster RCNN、SSD等其他深度学习模型,基于YOLO v3的改进模型在速度上具有巨大的优势,且检测精度没有受到太大的影响,能够满足输电线路巡检视频的自动缺陷识别的需求。