当前位置：首页 > news >正文

基于深度学习的草莓腐烂智能检测系统设计与实现

news 2026/7/26 4:42:51

1. 项目背景与核心价值

草莓作为高经济价值的水果，其保鲜期短、易受微生物侵染的特性导致产后损耗率居高不下。传统人工分拣方式存在效率低（每小时仅能处理200-300颗）、误判率高（约15%-20%）的问题，而基于深度学习的视觉检测系统能够实现每秒5-8颗的检测速度，准确率可达95%以上。这个毕业设计项目正是针对这一产业痛点，构建端到端的草莓腐烂智能检测解决方案。

在农业现代化进程中，采后处理环节的智能化升级具有显著经济效益。以年产1000吨的草莓种植基地为例，采用本系统后预计可减少约8%-12%的产后损耗，相当于每年挽回经济损失40-60万元。系统核心创新点在于采用轻量化模型架构，使得单台普通工业计算机即可部署，设备成本控制在2万元以内，远低于传统光谱检测设备（约15-20万元）。

2. 技术方案设计

2.1 整体架构设计

系统采用经典的CV处理流水线：

图像采集 → 数据增强 → 特征提取 → 分类决策 → 结果可视化

硬件端选用200万像素的USB工业相机（如海康威视MV-CE200-10GM），配合环形LED光源搭建简易成像系统。软件栈基于Python 3.8+PyTorch 1.10构建，模型训练使用NVIDIA GTX 1660 Ti显卡加速。

2.2 关键模型选型

对比实验表明：

ResNet18在测试集上达到94.3%准确率，但模型大小达45MB
MobileNetV3-small准确率92.7%，模型仅6.8MB
自定义轻量CNN（3个卷积块+2个全连接层）准确率91.2%，模型仅2.3MB

最终选择MobileNetV3-small作为基础架构，在其最后一个卷积层后添加：

self.attention = nn.Sequential( nn.AdaptiveAvgPool2d(1), nn.Conv2d(576, 36, 1), nn.ReLU(), nn.Conv2d(36, 576, 1), nn.Sigmoid() )

该注意力机制使模型在腐烂区域的特征提取更加聚焦，测试集准确率提升至95.1%。

3. 数据集构建与处理

3.1 数据采集规范

建立严格的采集标准：

拍摄距离：30±2cm
光照强度：2000±100lux
背景：纯黑色吸光布
样本角度：顶部、侧面各1张
健康样本：表面无瑕疵、颜色均匀
腐烂样本：霉斑面积>5mm²或明显软化

共采集3280张原始图像（健康1782张，腐烂1498张），按8:1:1划分训练集/验证集/测试集。

3.2 数据增强策略

采用albumentations库实现实时增强：

transform = A.Compose([ A.RandomRotate90(p=0.5), A.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1, p=0.8), A.GaussianBlur(blur_limit=(3,7), p=0.3), A.RandomShadow(shadow_roi=(0,0.5,1,1), p=0.2), A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)) ])

特别添加模拟运输振动的运动模糊增强，提升模型在实际产线的鲁棒性。

4. 模型训练细节

4.1 损失函数优化

采用Focal Loss解决类别不平衡问题：

class FocalLoss(nn.Module): def __init__(self, alpha=0.75, gamma=2): super().__init__() self.alpha = alpha self.gamma = gamma def forward(self, inputs, targets): BCE_loss = F.binary_cross_entropy_with_logits(inputs, targets, reduction='none') pt = torch.exp(-BCE_loss) loss = self.alpha * (1-pt)**self.gamma * BCE_loss return loss.mean()

设置α=0.75（偏向正样本），γ=2时，模型在验证集的F1-score达到0.953。

4.2 训练超参数配置

使用OneCycleLR调度器实现动态学习率：

optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3) scheduler = torch.optim.lr_scheduler.OneCycleLR( optimizer, max_lr=3e-3, steps_per_epoch=len(train_loader), epochs=50, pct_start=0.3 )

配合早停机制（patience=8），通常在35-40个epoch收敛。

5. 部署与性能优化

5.1 模型量化压缩

使用TensorRT进行FP16量化：

trtexec --onnx=model.onnx --saveEngine=model_fp16.trt --fp16

量化后模型：

体积从6.8MB降至3.2MB
推理速度从45ms降至22ms（GTX 1660 Ti）
准确率损失仅0.3%

5.2 边缘设备部署

在树莓派4B上的优化方案：

转换为TFLite格式：

converter = tf.lite.TFLiteConverter.from_keras_model(keras_model) converter.optimizations = [tf.lite.Optimize.DEFAULT] tflite_model = converter.convert()