一种基于AI算法的果蔬缺陷检测方法和系统与流程

一种基于ai算法的果蔬缺陷检测方法和系统
技术领域
1.本发明一种基于ai算法的果蔬缺陷检测方法和系统，属于检测技术领域。


背景技术：

2.果蔬缺陷检测是果蔬食品工业的重要一环，主要是对果蔬表面疤痕、腐烂、脏污等缺陷的识别与检测，剔除不合格的水果和蔬菜，保证食品安全。现在一般选用人工缺陷识别与基于机器识别的果蔬表面缺陷识别技术。但是这两种方法存在以下缺陷：
3.第一、人工缺陷识别虽然在一定程度上确保了果蔬表面缺陷识别的准确度，但是在时间与人力资源成本上消耗成本相对较大，会占据果蔬工业经济开支的部分开销。
4.第二、基于机器识别的果蔬表面识别技术漏检和误检率高，检测效果不理想。无法同时检测出一张图片内多种缺陷、难以分辨暗斑与背景颜色。


技术实现要素：

5.本发明提供了一种基于ai算法的果蔬缺陷检测方法和系统，用以解决现有技术中果蔬缺陷检测方法耗费人力，检测效率低且错误率高的问题，所采取的技术方案如下：
6.一种基于ai算法的果蔬缺陷检测方法，所述果蔬缺陷检测方法包括：
7.利用果蔬缺陷图片建立训练样本图像数据库；
8.利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；
9.实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。
10.进一步地，利用果蔬缺陷图片建立训练样本图像数据库，包括：
11.通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；
12.根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；
13.实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；
14.利用所述多个果蔬缺陷图片构建训练样本图像数据库。
15.进一步地，利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型，包括：
16.按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；
17.对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；
18.根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；
19.将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；
20.通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；
21.利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得训练好的卷积神经网络模型。
22.进一步地，根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合，包括：
23.提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；
24.按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。
25.一种基于ai算法的果蔬缺陷检测系统，所述果蔬缺陷检测系统包括：
26.数据库建立模块，用于利用果蔬缺陷图片建立训练样本图像数据库；
27.模型训练模块，用于利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；
28.实时采集模块，用于实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。
29.进一步地，所述数据库建立模块包括：
30.类型确定模块，用于通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；
31.图片获取模块，用于根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；
32.类别检测模块，用于实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；
33.构建模块，用于利用所述多个果蔬缺陷图片构建训练样本图像数据库。
34.进一步地，所述模型训练模块包括：
35.缺陷图片提取模块，用于按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；
36.初始化模块，用于对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；
37.集合划分模块，用于根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；
38.输入模块，用于将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历
所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；
39.差异获取模块，用于通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；
40.参数更新模块，用于利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得训练好的卷积神经网络模型。
41.进一步地，所述集合划分模块包括：
42.元素提取模块，用于提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；
43.子集合形成模块，用于按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。
44.本发明有益效果：
45.本发明提出的一种基于ai算法的果蔬缺陷检测方法和系统通过神经网络进行果蔬缺陷图片，能够有效提高果蔬缺陷检测的准确性和效率，通过图片采集和集中识别处理的方式，能够有效降低漏检率和误检率，进而有效降低果蔬缺陷检测的错误率，并提高果蔬缺陷检测的准确性。同时，通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。
附图说明
46.图1为本发明所述方法的流程图；
47.图2为本发明所述系统的系统框图。
具体实施方式
48.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
49.本发明实施例提出了一种基于ai算法的果蔬缺陷检测方法，如图1所示，所述果蔬缺陷检测方法包括：
50.s1、利用果蔬缺陷图片建立训练样本图像数据库；
51.s2、利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；
52.s3、实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。
53.上述技术方案的工作原理为：首先，利用果蔬缺陷图片建立训练样本图像数据库；然后，利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；最后，实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。
54.上述技术方案的效果为：本实施例提出的一种基于ai算法的果蔬缺陷检测方法通
过神经网络进行果蔬缺陷图片，能够有效提高果蔬缺陷检测的准确性和效率，通过图片采集和集中识别处理的方式，能够有效降低漏检率和误检率，进而有效降低果蔬缺陷检测的错误率，并提高果蔬缺陷检测的准确性。同时，通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。另一方面，可以准确高效的检测出果蔬表面缺陷，在果蔬食品加工产业中，解放人力，提高果蔬流水线加工的效率，提高产业利润。
55.本发明的一个实施例，利用果蔬缺陷图片建立训练样本图像数据库，包括：
56.s101、通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；
57.s102、根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；
58.s103、实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；
59.s104、利用所述多个果蔬缺陷图片构建训练样本图像数据库。
60.上述技术方案的工作原理为：首先，通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；然后，根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；随后，实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；最后，利用所述多个果蔬缺陷图片构建训练样本图像数据库。
61.上述技术方案的效果为：通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。另一方面，可以准确高效的检测出果蔬表面缺陷，在果蔬食品加工产业中，解放人力，提高果蔬流水线加工的效率，提高产业利润。
62.本发明的一个实施例，利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型，包括：
63.s201、按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；
64.s202、对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；
65.s203、根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；
66.s204、将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；
67.s205、通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；
68.s206、利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得
训练好的卷积神经网络模型。
69.上述技术方案的工作原理为：首先，按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；然后，根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；最后，通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得训练好的卷积神经网络模型。
70.上述技术方案的效果为：通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。另一方面，可以准确高效的检测出果蔬表面缺陷，在果蔬食品加工产业中，解放人力，提高果蔬流水线加工的效率，提高产业利润。
71.本发明的一个实施例，根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合，包括：
72.s2031、提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；
73.s2032、按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。
74.上述技术方案的工作原理为：首先，提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；然后，按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。
75.上述技术方案的效果为：通过上述方式进行子集合形成和批量处理，能够有效提高图像处理效率，同时，通过子集合设置能够在批量处理过程中保证处理的有序性，防止因图像混乱导致检测出错的问题发生。同时，能够有效提高果蔬缺陷检测的准确性和效率，通过图片采集和集中识别处理的方式，能够有效降低漏检率和误检率，进而有效降低果蔬缺陷检测的错误率，并提高果蔬缺陷检测的准确性。同时，通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。另一方面，可以准确高效的检测出果蔬表面缺陷，在果蔬食品加工产业中，解放人力，提高果蔬流水线加工的效率，提高产业利润。
76.本发明实施例提出了一种基于ai算法的果蔬缺陷检测系统，如图2所示，所述果蔬缺陷检测系统包括：
77.数据库建立模块，用于利用果蔬缺陷图片建立训练样本图像数据库；
78.模型训练模块，用于利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；
79.实时采集模块，用于实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像
识别结果。
80.上述技术方案的工作原理为：首先，数据库建立模块利用果蔬缺陷图片建立训练样本图像数据库；然后，通过模型训练模块利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；最后，采用实时采集模块实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。
81.上述技术方案的效果为：本实施例提出的一种基于ai算法的果蔬缺陷检测系统通过神经网络进行果蔬缺陷图片，能够有效提高果蔬缺陷检测的准确性和效率，通过图片采集和集中识别处理的方式，能够有效降低漏检率和误检率，进而有效降低果蔬缺陷检测的错误率，并提高果蔬缺陷检测的准确性。同时，通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。
82.本发明的一个实施例，所述数据库建立模块包括：
83.类型确定模块，用于通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；
84.图片获取模块，用于根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；
85.类别检测模块，用于实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；
86.构建模块，用于利用所述多个果蔬缺陷图片构建训练样本图像数据库。
87.上述技术方案的工作原理为：首先，利用类型确定模块通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；然后，采用图片获取模块根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；随后，通过类别检测模块实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；最后，采用构建模块利用所述多个果蔬缺陷图片构建训练样本图像数据库。
88.上述技术方案的效果为：通过上述方式进行子集合形成和批量处理，能够有效提高图像处理效率，同时，通过子集合设置能够在批量处理过程中保证处理的有序性，防止因图像混乱导致检测出错的问题发生。同时，能够有效提高果蔬缺陷检测的准确性和效率，通过图片采集和集中识别处理的方式，能够有效降低漏检率和误检率，进而有效降低果蔬缺陷检测的错误率，并提高果蔬缺陷检测的准确性。同时，通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。另一方面，可以准确高效的检测出果蔬表面缺陷，在果蔬食品加工产业中，解放人力，提高果蔬流水线加工的效率，提高产业利润。
89.本发明的一个实施例，所述模型训练模块包括：
90.缺陷图片提取模块，用于按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；
91.初始化模块，用于对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；
92.集合划分模块，用于根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；
93.输入模块，用于将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；
94.差异获取模块，用于通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；
95.参数更新模块，用于利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得训练好的卷积神经网络模型。
96.上述技术方案的工作原理为：首先，通过缺陷图片提取模块按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；利用初始化模块对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；然后，利用集合划分模块根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；通过输入模块将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；最后，采用差异获取模块通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；通过参数更新模块利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得训练好的卷积神经网络模型。
97.上述技术方案的效果为：通过上述方式进行子集合形成和批量处理，能够有效提高图像处理效率，同时，通过子集合设置能够在批量处理过程中保证处理的有序性，防止因图像混乱导致检测出错的问题发生。同时，能够有效提高果蔬缺陷检测的准确性和效率，通过图片采集和集中识别处理的方式，能够有效降低漏检率和误检率，进而有效降低果蔬缺陷检测的错误率，并提高果蔬缺陷检测的准确性。同时，通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。另一方面，可以准确高效的检测出果蔬表面缺陷，在果蔬食品加工产业中，解放人力，提高果蔬流水线加工的效率，提高产业利润。
98.本发明的一个实施例，所述集合划分模块包括：
99.元素提取模块，用于提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；
100.子集合形成模块，用于按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。
101.上述技术方案的工作原理为：首先，通过元素提取模块提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；然后，利用子集合形成模块按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。
102.上述技术方案的效果为：通过上述方式进行子集合形成和批量处理，能够有效提高图像处理效率，同时，通过子集合设置能够在批量处理过程中保证处理的有序性，防止因图像混乱导致检测出错的问题发生。同时，能够有效提高果蔬缺陷检测的准确性和效率，通过图片采集和集中识别处理的方式，能够有效降低漏检率和误检率，进而有效降低果蔬缺陷检测的错误率，并提高果蔬缺陷检测的准确性。同时，通过集中图像采集的方式能够有效提高待测图像目标的采集率，进而提高果蔬缺陷识别和检测效率。另一方面，可以准确高效的检测出果蔬表面缺陷，在果蔬食品加工产业中，解放人力，提高果蔬流水线加工的效率，提高产业利润。
103.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种基于ai算法的果蔬缺陷检测方法，其特征在于，所述果蔬缺陷检测方法包括：利用果蔬缺陷图片建立训练样本图像数据库；利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。2.根据权利要求1所述果蔬缺陷检测方法，其特征在于，利用果蔬缺陷图片建立训练样本图像数据库，包括：通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；利用所述多个果蔬缺陷图片构建训练样本图像数据库。3.根据权利要求1所述果蔬缺陷检测方法，其特征在于，利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型，包括：按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得训练好的卷积神经网络模型。4.根据权利要求3所述果蔬缺陷检测方法，其特征在于，根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合，包括：提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。5.一种基于ai算法的果蔬缺陷检测系统，其特征在于，所述果蔬缺陷检测系统包括：
数据库建立模块，用于利用果蔬缺陷图片建立训练样本图像数据库；模型训练模块，用于利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；实时采集模块，用于实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。6.根据权利要求5所述果蔬缺陷检测系统，其特征在于，所述数据库建立模块包括：类型确定模块，用于通过获取用户信息确定果蔬缺陷检测用户的待检测果蔬的品种类型；图片获取模块，用于根据所述待检测果蔬的品种类型获取与所述待检测果蔬的品种类型对应的多个果蔬缺陷图片；其中，每一个品种类别对应的果蔬缺陷图片不得少于100张；类别检测模块，用于实时检测是否存在新增果蔬的品种类别，当存在新增果蔬的品种类别时，获取与所述新增果蔬的品种类别对应的多个果蔬缺陷图片；构建模块，用于利用所述多个果蔬缺陷图片构建训练样本图像数据库。7.根据权利要求5所述果蔬缺陷检测系统，其特征在于，所述模型训练模块包括：缺陷图片提取模块，用于按照果蔬类别依次提取每个果蔬类别对应的果蔬缺陷图片，并按照果蔬类别为单位形成每个果蔬类别对应的果蔬缺陷图片集合；初始化模块，用于对所述卷积神经网络模型中的卷积神经网络进行初始化，获得完成初始化的卷积神经网络；集合划分模块，用于根据卷积神经网络内所包含的正交路径数量对所述果蔬缺陷图片集合进行子集合划分，获得每个果蔬缺陷图片集合对应的多个子集合；输入模块，用于将一个果蔬缺陷图片集合输入至卷积神经网络，并且，将所述果蔬缺陷图片集合对应的多个子集合依次循环输入至每个正交路径中，使每个正交路径均遍历所有子集合；保证每个正交路径中均同时存在多个果蔬缺陷图片；并且，每个正交路径同一时刻下的子集合不相同；差异获取模块，用于通过一个正交路径输出多个图片预测结果，将所述多个图片预测结果与其对应的果蔬缺陷图片原图进行比较，获取预测差异；参数更新模块，用于利用所述预测差异更新卷积神经网络的参数，并利用下一个果蔬缺陷图片集合进行卷积神经网络进行训练，直至遍历所有果蔬缺陷图片集合则完成模型训练，获得训练好的卷积神经网络模型。8.根据权利要求7所述果蔬缺陷检测系统，其特征在于，所述集合划分模块包括：元素提取模块，用于提取正交路径数量值和所述果蔬缺陷图片集合中的果蔬缺陷图片总数量；子集合形成模块，用于按照m/(2n+1)的关系确定每个子集合中的果蔬缺陷图片数量，并形成多个子集合；其中，m表示果蔬缺陷图片总数量，n表示正交路径数量值。

技术总结
本发明提出了一种基于AI算法的果蔬缺陷检测方法和系统。所述果蔬缺陷检测方法包括：利用果蔬缺陷图片建立训练样本图像数据库；利用所述训练样本图像数据库中的训练样本图像作为待识别图像输入至卷积神经网络模型中进行模型识别训练，获得训练好的卷积神经网络模型；实时采集果蔬的实际图像信息，将所述实际图像信息作为待识别图像输入至卷积神经网络模型中进行图像识别，通过所述卷积神经网络模型输出图像识别结果。所述系统包括与所述方法步骤对应的模块。步骤对应的模块。步骤对应的模块。


技术研发人员：余丹 兰雨晴 于艺春 王丹星 邢智涣
受保护的技术使用者：慧之安信息技术股份有限公司
技术研发日：2022.12.09
技术公布日：2023/10/6