王春龙 蒋仲铭 鲍安红

(西南大学工程技术学院，重庆 400716)

花生筛选是花生销售前的重要工序，不仅可以提高商品花生的品质等级，实现质优价优，还可以实现花生产品的多渠道利用，减少花生产品浪费。人工筛选存在劳动强度大、效率低下等问题。而机械式[1]的筛选装备根据花生荚果的大小特征进行分级，分级过程中很容易损坏花生荚果，分级的效果差。随着科技的发展，机器视觉技术被广泛应用于食品质量检测领域[2]。如将机器视觉应用在对花生仁的外观品质检测上、利用掩模及亮度校正算法实现脐橙表面缺陷分割[3]等。然而，传统的图像识别过程需要操作者利用经验手动提取特征，并且多次择优特征，操作过程繁琐且易受主观因素影响，难以得到准确稳定的缺陷特征。

基于卷积神经网络(convolutional neural network，CNN)的图像识别技术，没有过往复杂人工提取图像特征的过程，直接实现了自动化提取特征[4-6]。随着迁移学习技术的发展，在大型数据集上训练学习得到的模型权重值和特征可以容易地迁移到小型数据集上，减少了模型的计算量，使得深度学习模型也适用于小数据集。薛勇等[7]利用GoogLeNet模型对苹果的外观进行检测，优化后识别准确率为91.91%。杨志锐等[8]采用改进的AlexNet模型识别红枣缺陷，模型的平均识别精度为94.79%。赵志衡等[9]提出一种利用卷积神经网络识别花生籽粒完整性的算法，测试样本的识别精度为98.18%。何进荣等[10]使用模型融合的方式优化改进了苹果的分级模型,分级精度为97.84%。……