基于CNN的杏仁损伤检测系统设计与实现

1. 项目概述：基于CNN的杏仁损伤检测系统

在农产品质量检测领域，自动化视觉识别技术正逐步取代传统人工检测方式。去年我在参与某坚果加工企业的智能化改造项目时，发现杏仁表面损伤检测的准确率直接影响产品分级和售价。传统人工分拣不仅效率低下（每小时仅能检测约300颗），且不同质检员间的判定标准差异可达15%。这促使我开发了这套基于卷积神经网络（CNN）的杏仁损伤检测系统。

该系统采用Flask+SpringBoot+Vue的全栈架构，核心是通过深度学习实现杏仁图像的自动分类。训练数据集中包含2,400张高清杏仁图像（1,200张正常样本，1,200张损伤样本），经数据增强后扩充至9,600张。实测表明，系统在测试集上的分类准确率达到96.8%，单图处理耗时仅0.15秒，相当于人工效率的120倍。特别适合中小型坚果加工企业部署在产线进行实时质量检测。

2. 技术架构设计

2.1 整体架构方案

系统采用B/S架构设计，分为三个主要层次：

1. 前端交互层：Vue3+Element Plus构建的管理界面，包含图像上传、结果展示和用户管理模块。采用Axios进行异步通信，通过WebSocket实现实时检测进度推送。

2. 业务逻辑层：

   • Spring Boot 2.7提供RESTful API
   • Flask 2.0单独封装CNN模型服务
   • 使用Redis缓存高频访问的检测结果

3. 数据持久层：

   • MySQL 8.0存储用户数据和检测记录
   • MinIO对象存储管理图像文件
   • MyBatis-Plus 3.5实现ORM映射

mermaid复制graph TD
    A[用户浏览器] -->|HTTP/WS| B[Nginx]
    B -->|API请求| C[SpringBoot]
    B -->|静态资源| D[Vue前端]
    C -->|模型调用| E[Flask服务]
    E --> F[CNN模型]
    C -->|数据操作| G[MySQL]
    C -->|文件存储| H[MinIO]

2.2 关键技术选型依据

2.2.1 CNN模型架构

经过对比实验，最终采用改进的ResNet18作为基础网络，相比原生版本主要做了三点优化：

1. 输入层调整：将原RGB三通道输入改为单通道灰度输入，更突出表面纹理特征
2. 卷积核优化：第一层卷积核从7x7改为3x3，保留更多细节信息
3. 注意力机制：在最后一个残差块后添加CBAM注意力模块

python复制class CBAM(nn.Module):
    def __init__(self, channels, reduction=16):
        super().__init__()
        self.max_pool = nn.AdaptiveMaxPool2d