基于深度学习的水果质量检测系统及方法
专利汇可以提供基于深度学习的水果质量检测系统及方法专利检索，专利查询，专利分析的服务。并且基于 深度学习 的 水 果 质量 检测系统及方法，主要根据水果表面 颜色 、纹理、形状、大小来综合判断水果质量以完成分级，整个检测系统由水果传送系统，计算机 视觉识别系统 ，分级系统组成。相比于传统的水果检测系统，本系统具有深度学习的鲜明特点，主要体现在水果 图像处理 方面，通过对 卷积神经网络 算法 的网络结构以及卷积神经网络训练过程的详细分析，构建了基于卷积神经网络的水果 图像识别 系统，相比于一般的神经网络算法，具有结构简单、训练参数少和适应性强等特点。，下面是基于深度学习的水果质量检测系统及方法专利的具体信息内容。
1.基于深度学习的水果质量检测系统，其特征在于，包括：滑道、导向杆装置、传输机（4）、红外线传感器（5）、拍摄装置、灯光装置、上位机和分级装置；
所述滑道包括斜面滑道（1）和平面滑道（2），所述斜面滑道（1）斜向30°摆置于钢架上，斜面滑道（1）两侧安装有挡板（6），所述平面滑道（2）的两端分别对接斜面滑道（1）和传输机（4），使得水果能够在重力的作用下从斜面滑道（1）滑至传输机（4）；
所述导向杆装置包括两根导向杆（3），两根导向杆（3）用螺丝固定在滑道的相对两侧，导向杆（3）之间形成的上开口与滑道等宽，下开口靠拢，通过旋转螺丝可控制下开口的大小；
所述传输机（4）摆置于钢架上，使水果匀速向前滚动，传输机（4）的中部设有拍摄区；
所述红外线传感器（5）位于传输机（4）头部两侧的对称位置，在拍摄区的前面，用于向上位机传输感应信号，进而触发拍摄装置；
所述拍摄装置包括第一相机（13）和四个第二相机（14）（15）（16）（17），所述第一相机（13）固定在可升降的第一支座（8）上，所述第一支座（8）安装在传输机（4）一侧的滑杆（7）上，第一相机（13）的镜头与传输机（4）机面垂直，向下对准拍摄中心；围绕拍摄中心安装有四个第二相机（14）（15）（16）（17），所述第二相机（14）（15）（16）（17）固定在位于传输机（4）两侧的第二支座（9）（10）（11）（12）上，相邻的两个第二支座（9）（10）（11）（12）互成90°，第二相机（14）（15）（16）（17）的镜头与传输机（4）机面平行；
所述灯光装置包括平面光源（18）和四个点光源（19）（20）（21）（22），所述平面光源（18）位于第一相机（13）上方，照射区域向下覆盖整个拍摄区；四个点光源（19）（20）（21）（22）围绕四个第二相机（14）（15）（16）（17）安装在镜头外部，用于侧面打光；
所述上位机位于传输机（4）下部，上位机内预设卷积神经网络算法，对拍摄装置拍摄的图像进行特征参数提取和分类，自动检测水果特征并输出质量判断结果；
所述分级装置包括收集滑道（25）和水果收集箱（24），所述收集滑道（25）两端分别对接传输机（4）和水果收集箱（24），收集滑道（25）的两侧相对地安装有两个轴转动拨片（23），初始位置时两个轴转动拨片（23）之间有一定的夹角，轴转动拨片（23）受上位机的控制，按照检测结果控制开闭，使水果滚入相应的水果收集箱（24）中，水果经过后再控制轴转动拨片（23）回到初始位置。
2.如权利要求1所述的基于深度学习的水果质量检测系统，其特征在于：所述传输机
（4）采用黑色吸光材质传输带。
3.如权利要求1所述的基于深度学习的水果质量检测系统，其特征在于：所述平面光源（18）采用LED环形光源，所述点光源（19）（20）（21）（22）采用LED点光源。
4.采用如权利要求1所述的基于深度学习的水果质量检测系统的检测方法，其特征在
于，包括如下步骤：
根据所要检测水果的种类，调节导向杆（3）的下开口大小，保证水果可以依次通过；
将待测水果放置于拍摄区，启动拍摄装置进行拍摄，根据成像清晰度及所占视野的位
置及比例，适当调节第一支座（8）和第二支座（9）（10）（11）（12）；
启动整个系统，将水果先从斜面滑道（1）口由静止下滑，在重力作用下，从斜面滑道（1）下滑经过平面滑道（2）的导向杆（3）后到达传输机（4）；
水果经过红外线传感器（5），上位机得到感应信号，经过相机视野中心位置时，上位机控制第一相机（13）和四个第二相机（14）（15）（16）（17）同时拍照，得到一个水果正面图和四个零件侧面图；
相机从传输接口将这些图片传输给上位机，上位机中已训练好的卷积神经网络对图片
进行处理，提取水果特征，得出检测结果；
根据检测结果上位机控制分级装置的轴转动拨片（23），使水果滚入相应的水果收集箱（24），完成分级。
5.如权利要求4所述的基于深度学习的水果质量检测系统的检测方法，其特征在于：所述卷积神经网络对水果特征的提取过程如下：
1）输入卷积神经网络的图片为28×28大小的预处理图，输入层后为卷积层C1，卷积层
C1通过卷积核与输入图像进行卷积得到特征平面，卷积核大小为5×5，特征平面上每个神经元与原图像5×5大小的局部感受视野连接，卷积核移动步长为1个像素，卷积层C1的特征平面大小为24×24，在C1中使用6个不同的卷积核与输入图像进行卷积，得到6种不同的特征平面图，同一张特征平面图上的所有神经元共享一个卷积核，卷积之后的结果通过
Sigmoid激活函数将神经非线性化；
2）卷积层C1后的采样层S1由6个特征平面组成，采样层S1对上一层特征图进行局部平
均和二次特征提取，特征平面上的每个神经元与上一层2X2大小的互不重合的邻域连接，进行均值采样，最终每个平面的大小为12×12；
3）采样层S1后的卷积层C2中，卷积核数目增加至12个，大小为5×5，每个特征图是连接到S1中所有6个或几个特征图的，所以C2层有12个大小为8×8的特征图；
4）卷积层C2后的采样层S2对上一层4×4大小邻域进行均值采样，输出12个4×4大小的
特征平面；
5）采样层S2后的全连接层F1将上一层12个4×4大小的二维平面展开成1×192大小的
一维向量并输入Softmax分类器，输出层一共有2个神经元，表示水果质量的好与坏两种结果，分类器将提取到的特征向量映射到输出层的2个神经元上，实现水果质量的分类。
6.如权利要求5所述的基于深度学习的水果质量检测系统的检测方法，其特征在于：对于图片的输入，先对原图像进行目标与背景分割，然后进行灰度化、统一分辨率，最后输入到卷积神经网络。
基于深度学习的水果质量检测系统及方法
技术领域
背景技术
2、它的权值共享网络结构降低了网络模型的复杂度，减少了权值的数量；
3、卷积神经网络不需要手动设计提取特征，可以直接将图片作为输入，隐式地学习多层次特征，进而实现分类，相比目前常用的人工设计特征然后利用各分类器，具有明显的优势。
发明内容
所述滑道包括斜面滑道和平面滑道，所述斜面滑道斜向30°摆置于钢架上，斜面滑道两侧安装有挡板，所述平面滑道的两端分别对接斜面滑道和传输机，使得水果能够在重力的作用下从斜面滑道滑至传输机；
所述导向杆装置包括两根导向杆，两根导向杆用螺丝固定在滑道的相对两侧，导向杆
之间形成的上开口与滑道等宽，下开口靠拢，通过旋转螺丝可控制下开口的大小；
所述传输机摆置于钢架上，使水果匀速向前滚动，传输机的中部设有拍摄区；
所述红外线传感器位于传输机头部两侧的对称位置，在拍摄区的前面，用于向上位机
传输感应信号，进而触发拍摄装置；
所述拍摄装置包括第一相机和四个第二相机，所述第一相机固定在可升降的第一支座
上，所述第一支座安装在传输机一侧的滑杆上，第一相机的镜头与传输机机面垂直，向下对准拍摄中心；围绕拍摄中心安装有四个第二相机，所述第二相机固定在位于传输机两侧的第二支座上，相邻的两个第二支座互成90°，第二相机的镜头与传输机机面平行；
所述灯光装置包括平面光源和四个点光源，所述平面光源位于第一相机上方，照射区
域向下覆盖整个拍摄区；四个点光源围绕四个第二相机安装在镜头外部，用于侧面打光；
所述上位机位于传输机下部，上位机内预设卷积神经网络算法，对拍摄装置拍摄的图
像进行特征参数提取和分类，自动检测水果特征并输出质量判断结果；
所述分级装置包括收集滑道和水果收集箱，所述收集滑道两端分别对接传输机和水果
收集箱，收集滑道的两侧相对地安装有两个轴转动拨片，初始位置时两个轴转动拨片之间有一定的夹角，轴转动拨片受上位机的控制，按照检测结果控制开闭，使水果滚入相应的水果收集箱中，水果经过后再控制轴转动拨片回到初始位置。
将待测水果放置于拍摄区，启动拍摄装置进行拍摄，根据成像清晰度及所占视野的位
置及比例，适当调节第一支座和第二支座；
启动整个系统，将水果先从斜面滑道口由静止下滑，在重力作用下，从斜面滑道下滑经过平面滑道的导向杆后到达传输机；
水果经过红外线传感器，上位机得到感应信号，经过相机视野中心位置时，上位机控制第一相机和四个第二相机同时拍照，得到一个水果正面图和四个零件侧面图；
相机从传输接口将这些图片传输给上位机，上位机中已训练好的卷积神经网络对图片
进行处理，提取水果特征，得出检测结果；
根据检测结果上位机控制分级装置的轴转动拨片，使水果滚入相应的水果收集箱，完
成分级。
C1通过卷积核与输入图像进行卷积得到特征平面，卷积核大小为5×5，特征平面上每个神经元与原图像5×5大小的局部感受视野连接，卷积核移动步长为1个像素，卷积层C1的特征平面大小为24×24，在C1中使用6个不同的卷积核与输入图像进行卷积，得到6种不同的特征平面图，同一张特征平面图上的所有神经元共享一个卷积核，卷积之后的结果通过
Sigmoid激活函数将神经非线性化；
2）卷积层C1后的采样层S1由6个特征平面组成，采样层S1对上一层特征图进行局部平
均和二次特征提取，特征平面上的每个神经元与上一层2X2大小的互不重合的邻域连接，进行均值采样，最终每个平面的大小为12×12；
3）采样层S1后的卷积层C2中，卷积核数目增加至12个，大小为5×5，每个特征图是连接到S1中所有6个或几个特征图的，所以C2层有12个大小为8×8的特征图；
4）卷积层C2后的采样层S2对上一层4×4大小邻域进行均值采样，输出12个4×4大小的
特征平面；
5）采样层S2后的全连接层F1将上一层12个4×4大小的二维平面展开成1×192大小的
一维向量并输入Softmax分类器，输出层一共有2个神经元，表示水果质量的好与坏两种结果，分类器将提取到的特征向量映射到输出层的2个神经元上，实现水果质量的分类。
2、比传统的水果质量检测的特征参数更加丰富，从而使质量检测更加准确。本检测系统从水果的颜色，纹理，大小，形状来进行综合的质量判断，避免了因为单一检测参数检测失误而造成水果质量的错误分级，提高了水果检测的质量要求；
3、在拍摄图片时，难以避免因光照太强造成水果表面反光和传输带产生阴影的问题，本检测系统采用的LED环形灯源直径略大于水果直径，采用这种分散柔和的光源，极大的减小了反光效果。
附图说明
具体实施方式
板底端滑动，使水果获得一个向前滚动的速度，为了确保水果到达传输机4后能随着传输机
4匀速运动，角度设定为30°，挡板6安装在斜面滑道1两侧，防止水果滚出滑道；平面滑道2摆置于钢架上，对接斜面滑道1，上安装导向杆3；
导向杆装置：两根导向杆3用螺丝固定在滑道两侧，导向杆3有一定高度，上开口与平面滑道2等宽，下开口相互靠拢，针对不同种类水果通过旋转螺丝控制下开口大小，一方面保证水果先后依次通过，另一方面用于矫正水果滚动的方向，使其尽可能的通过相机视野中心，减小偏移量；
传输机4：摆置于钢架上，用于调整水果速度，使之匀速向前滚动，有利于相机采集图片，采用黑色吸光材质传输带，避免拍摄时形成阴影。事先测试在不同速度下滚动的水果，根据照相机拍摄的速度和所拍图片的清晰度，确定合适的转动速度，选择功率合适的电机。
积层通过卷积核与输入图像进行卷积得到特征平面，卷积核大小为5×5。如图4，特征平面上每个神经元与原图像5×5大小的局部感受视野连接，卷积核移动步长为1个像素，因此卷积层C1的特征平面大小为24×24。在C1中使用了6个不同的卷积核与输入图像进行卷积，得到6种不同的特征平面图，同一张特征图上的所有神经元共享一个卷积核。卷积之后的结果并非直接存储到C1层特征图中，而是通过激活函数将神经非线性化，从而使网络具有更强的特征表达能力，激活函数选择Sigmoid函数。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 网络入侵检测方法和装置 | 2020-05-11 | 924 |
| 一种基于忆阻器阵列的K-means分类器及其分类方法 | 2020-05-12 | 179 |
| 基于机器学习的中间件故障预警方法和系统 | 2020-05-12 | 535 |
| 基于人脸特征的癌症筛查方法及筛查系统 | 2020-05-12 | 913 |
| 面向大尺度遥感图像的微小目标快速检测方法 | 2020-05-08 | 672 |
| 一种基于支持向量机的水声通信信号调制方式识别方法 | 2020-05-13 | 902 |
| 一种水下鱼类图像的超分辨率重建方法、系统及装置 | 2020-05-08 | 527 |
| 一种基于异常追踪的视频异常行为检测方法 | 2020-05-11 | 353 |
| 双阶段语义词向量生成方法 | 2020-05-12 | 176 |
| 基于深度密集连接和度量学习的SAR舰船目标分类方法 | 2020-05-12 | 7 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
