[发明专利]基于Inception模块与Attention机制的鸡蛋新鲜度检测方法

说明书

本发明提供基于Inception模块与Attention机制的鸡蛋新鲜度检测方法，包括三个Inception模块和CBAM模块，Inception模块和CBAM模块组合建立成一个GoogLeNet‑A鸡蛋新鲜度检测网络模型，CBAM模块包括通过采集的图像特征建立通道注意力映射和空间注意力映射，通道注意力映射使得神经网络能够分辨样本图片中什么是有意义的，更值得关注，而空间注意力映射补充了通道注意力中缺失的位置信息。该方法在扩大了样本数目的同时使用Inception模块优化网络结构，引入多尺度卷积对输入的图像特征自主学习获取需要的卷积核大小，同时该方法引入注意力机制对其分配自适应权值，使得网络关注点在蛋黄大小、气室直径比等与鸡蛋新鲜度相关的特征上，进一步提高网络准确性，建立了一个高精度的GoogLeNet‑A鸡蛋新鲜度检测网络模型。

技术领域

本发明涉及简单检测方法技术领域，具体涉及一种基于Inception模块与Attention机制的鸡蛋新鲜度检测方法。

背景技术

目前，鸡蛋作为最常食用的禽蛋之一，其中含有大量的维生素以及矿物质，是良好的膳食营养来源。根据世界粮食与农业组织统计，2018年全球产蛋量超过一亿三千七百万公吨。鸡蛋在生产和消费的过程中若能做到按新鲜度分级论价，则既有利于生产经营者采取科学的管理方式保证鸡蛋及其副产品的品质，又能维护消费者的权益，保障食用者的身体健康。因此如何挑选一个优质的鸡蛋成为当下亟待解决的问题之一。目前普遍采用在暗室中使用照蛋器观察鸡蛋内部品质这一人工挑选的方式，这种方法效率低，判断结果多依据工人经验，主观性强，准确率不高。

从21世纪初，国内外学者针对鸡蛋新鲜度无损检测提出了不少研究，目前主要的研究方向有：基于机器视觉的无损检测，基于声学冲击特性的无损检测，基于光学特性的无损检测和基于介电特性的无损检测等。其中基于机器视觉的无损检测技术多采用提取鸡蛋内外部特征如鸡蛋重量、蛋黄大小、气室直径比等进行鸡蛋新鲜度检测。王巧华等通过使用BP神经网络构建鸡蛋的哈夫值与鸡蛋光信息参数模型，进行鸡蛋新鲜度无损检测与分级，检测准确率达89％。李新城等通过机器视觉技术，从鸡蛋透光图中分离蛋黄面积比、气室面积比、气室高度比与气室直径比4个特征参数并以其作为自变量，分别与鸡蛋哈夫值建立一元回归模型，进行鸡蛋新鲜度检测，其中蛋黄面积比与哈夫值拟合优度达到0.62。李佳婷等通过电子鼻响应信号，利用BP神经网络分析法建立了电子鼻响应信号和鸡蛋理化指标之间的关系模型，鸡蛋新鲜度检测准确率达到90.19％。刘艳等通过提取鸡蛋透光图像中气室大小、蛋黄大小和椭圆度三种特征建立鸡蛋新鲜度检测三元模型，模型相关系数达到了0.952。

上述研究表明，通过鸡蛋透光图片中气室直径比等特征参数与哈夫值的对应关系，建立鸡蛋新鲜度检测模型具有一定可行性。目前的研究中通常使用人工提取鸡蛋透光图特征的方法进行建模，这种建模方法图像预处理过程复杂，获取样本数目较小，存在很强的主观性。随着近年来深度学习的发展，卷积神经网络在图像分析和处理领域取得了众多突破性的进展，避免了对图像复杂的前期预处理过程，卷积、池化和填充操作代替了传统机器学习中对人工提取图像特征中存在的主观性。

卷积神经网络的性能提升多依赖于增加网络的深度以及隐含层神经元的数目，这样会导致更大的网络参数空间，使得网络更加容易引起过拟合、计算量过大、运行速度慢等问题。而且随着网络深度的增加，模型在建立过程中会出现梯度消失问题。解决上述问题的方法是引入稀疏特性和将全连接层转换成稀疏连接，即使用卷积代替全连接，然而硬件只针对密集矩阵进行优化导致了网络中不对称的稀疏数据计算效率低下。

为了解决上述问题，Christian Szegedy等人提出的Inception模块化结构，可以在有限的计算资源内，提升网络性能。