基于深度学习的缺陷红参在线自动分选系统

目的:建立一种基于更快区域卷积神经网络(faster R-CNN)算法的深度学习架构,用于在线x射线机器视觉系统对红参(参根)内部缺陷的自动检测和分类。 方法:采用约2万个样本,以0.95的平均精度值(mAP)训练基于R-CNN的快速分类器。传统的基于前馈神经网络(FNN)的图像处理方法准确率、召回率和特异性分别为69.0%、68.0%和70.0%,效果不佳。因此,保存Faster R-CNN模型,评价模型在缺陷红参在线分拣系统上的性能。 结果:以2000份独立的红参为样本,通过3个平行测试验证了基于Faster R-CNN的在线分选系统的性能,分选准确率分别达到95.8%、95.2%和96.2%。 结论:基于Faster R-CNN的分类模型在红参内部缺陷的无损检测中具有较大的应用潜力。