1. 项目背景与核心价值
杏仁作为高价值坚果类农产品,在加工环节常因机械损伤导致品质下降。传统人工分拣效率低且主观性强,而基于深度学习的自动化检测系统能实现快速精准分类。这个毕设项目采用CNN架构构建图像分类模型,核心解决三个问题:
- 损伤杏仁的视觉特征提取(裂纹/变色/形变)
- 小样本条件下的模型泛化能力
- 产线级实时检测的轻量化需求
我在食品质检领域做过类似项目,实测发现当损伤面积小于3mm²时,传统机器视觉方法准确率会骤降至60%以下,而CNN方案能稳定保持85%+的识别精度。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术方案设计
2.1 数据准备要点
-
样本采集规范:
- 使用2000万像素工业相机,距传送带50cm垂直拍摄
- 光照条件控制在2000±100lux(模拟产线环境)
- 每颗杏仁采集8个旋转角度图像
-
标注技巧:
python复制# 使用LabelImg标注时建议的XML结构 <object> <name>damaged</name> <bndbox> <xmin>103</xmin> <ymin>87</ymin> <xmax>152</xmax> <ymax>121</ymax> </bndbox> <attributes> <attribute>crack_length:2.3mm</attribute> </attributes> </object>
2.2 模型架构选型
对比测试了三种轻量化CNN结构:
| 模型 | 参数量 | 推理速度(FPS) | 验证集准确率 |
|---|---|---|---|
| MobileNetV3 | 2.5M | 83 | 89.2% |
| EfficientNet | 4.1M | 67 | 91.5% |
| 自定义CNN | 1.8M | 95 | 88.7% |
最终选择自定义C
