基于卷积神经网络的天麻表面破损检测研究
【摘要】 目的]为解决传统天麻表面破损主要依靠人工检测的问题，提出将残差神经网络模型(FasterR-CNNResNet101)检测方法应用到天麻表面破损识别中，以期取得较好的识别效果。[方法]以腐烂、霉变、机械损伤和完好等4类天麻为研究对象，在卷积神经网络和区域候选网络的基础上构建模型，然后在tensorflow框架上实现模型检测，最后对比分析结果。[结果]天麻表面破损检测模型利用FasterR-CNNResNet101网络中的输入卷积层以及4个卷积组进行特征提取，区域候选网络生成天麻表面破损的初步位置候选框，实现候选框的分类和定位，其识别率达95.14%，且查准率为0.94，召回率为0.92。与SSD(SingleShotmultiboxDetector)、Faster_rcnn_inception和Rfcn_resnet101等3种神经网络识别方法对比，识别率分别提高了13.02%、10.69%和12.02%。[结论]该模型具有泛化能力强、准确率较高和鲁棒性较好等特点，为农产品的识别研究提供了参考和借鉴。
