使用高光谱成像与卷积神经网络相结合,对尸乳房与血液有关的缺陷进行分类

科学领域:

• 食品科学与技术 食品科学与技术
• 计算机视觉 计算机视觉
• 农业工程 农业工程

背景情况:

• 体乳房与血液相关的缺陷 (CBDs) 在家禽加工中经常面临挑战.
• 由于视觉特征的相似性,传统的机器视觉方法难以准确地对CBD进行分类.

研究的目的:

• 开发一种有效的方法来分类CBD,使用高光谱成像和卷积神经网络 (CNN).
• 为了减少超频谱数据的维度,并提高分类性能.

主要方法:

• 实现了一种改进的火虫带选择算法,并使用一维CNN来减少超谱数据的维度.
• 开发了使用YOLOv4和Faster R-CNN的多维数据分类模型,集成1D CNN和特征融合层.

主要成果:

• 超光谱成像与CNN相结合,可以有效地对CBD进行分类.
• YOLOv4模型实现了0.916的mAP,推断时间为41.8毫秒.
• 更快的R-CNN模型实现了0.990的更高的mAP,推断时间为58.2ms.

结论:

• 超光谱数据和CNN的整合为家禽中CBD分类提供了强大的解决方案.
• 模型选择 (YOLOv4与YOLOv4对比) 更快的R-CNN) 取决于平衡实际应用的分类速度和准确性要求.