王 強(qiáng)，武 凱,*，王新宇，孫 宇，楊曉燕，樓曉華

（1.南京理工大學(xué)機(jī)械工程學(xué)院，江蘇 南京 210094；2.南通四方冷鏈裝備股份有限公司，江蘇 南通 226300）

速凍食品是我國(guó)食品行業(yè)的重要組成部分，因其具有新鮮、衛(wèi)生、營(yíng)養(yǎng)合理、食用方便的特點(diǎn)，深受人們的喜愛(ài)，已經(jīng)成為人們?nèi)粘ｏ嬍成钪胁豢扇鄙俚囊徊糠諿1]。同時(shí)隨著中國(guó)飲食文化在國(guó)外影響的逐漸擴(kuò)大，具有“中國(guó)特色”的速凍水餃深受國(guó)際市場(chǎng)的歡迎，出口量迅速增加?！懊褚允碁樘欤骋园矠橄取?，速凍食品行業(yè)的快速發(fā)展是建立在食品質(zhì)量與食品安全的基礎(chǔ)之上的。然而近年來(lái)因金屬、石頭、玻璃等異物[2]引發(fā)的食品安全事件，不但嚴(yán)重?fù)p害消費(fèi)者的身心健康，而且給食品企業(yè)帶來(lái)巨大的信譽(yù)和經(jīng)濟(jì)損失。因此在食品生產(chǎn)、加工等流程中增加對(duì)異物的檢測(cè)，及時(shí)剔除含有異物的有害產(chǎn)品具有重要意義[3]。目前速凍水餃中的金屬異物主要通過(guò)金屬檢測(cè)機(jī)利用電磁感應(yīng)原理檢測(cè)，存在很大局限性：1）只能夠檢測(cè)金屬，無(wú)法檢測(cè)石頭、玻璃、骨頭等異物；2）對(duì)于高含水量食品檢測(cè)精度受到一定的影響；3）檢測(cè)結(jié)果無(wú)法直觀可視，無(wú)法實(shí)現(xiàn)異物的精確定位，一旦發(fā)現(xiàn)金屬異物，整袋水餃即被丟棄，無(wú)法將不含異物的單個(gè)水餃重新利用，造成巨大浪費(fèi)?；赬射線的無(wú)損檢測(cè)技術(shù)因其具有穿透力強(qiáng)、檢測(cè)速度快、檢測(cè)精度高、檢測(cè)結(jié)果直觀、可實(shí)現(xiàn)在線自動(dòng)檢測(cè)等優(yōu)點(diǎn)，廣泛應(yīng)用于食品、農(nóng)業(yè)、工業(yè)等行業(yè)，為上述問(wèn)題提供了一個(gè)高效、可靠的解決方法[4-5]。

目前利用X射線進(jìn)行產(chǎn)品檢測(cè)的研究報(bào)道已經(jīng)很多。在農(nóng)產(chǎn)品品質(zhì)方面：Kotwaliwale等[6]將X射線應(yīng)用于山核桃缺陷與蟲(chóng)害的無(wú)損檢測(cè)；Tollner等[7]利用X射線檢測(cè)洋蔥內(nèi)部缺陷，把圖像的邊緣特征和余弦特征作為檢測(cè)因子，構(gòu)建神經(jīng)網(wǎng)絡(luò)和貝葉斯分類器對(duì)其進(jìn)行缺陷識(shí)別，正確率分別為90%和80%；Jiang等[8]利用X射線并提出了一種自適應(yīng)閾值分割算法對(duì)感染亞洲果蠅蟲(chóng)卵的石榴、桃子進(jìn)行檢測(cè)，正確率高達(dá)95%和98%。在食品異物檢測(cè)方面：洪冠等[9]以鋁箔包裝鴨肫X射線圖像為研究對(duì)象，通過(guò)提取長(zhǎng)寬比、圓度和方差等特征，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)鴨肫中的金屬絲、石子、骨頭3 種異物進(jìn)行檢測(cè)；Nielsen等[10]利用X射線暗場(chǎng)成像和光柵干涉儀對(duì)碎肉和牛奶中的瓢蟲(chóng)、蒼蠅、厚紙條、玻璃進(jìn)行識(shí)別，以信噪比作為判斷依據(jù)，取得了較好的實(shí)驗(yàn)結(jié)果。

傳統(tǒng)上，利用X射線進(jìn)行產(chǎn)品質(zhì)量檢測(cè)，很大程度上受到樣本本身和人為提取特征的影響，不具有普適性，魯棒性差。相比于常規(guī)方法，深度學(xué)習(xí)中的CNN模型無(wú)需人工提取特征，其網(wǎng)絡(luò)可以根據(jù)輸入的數(shù)據(jù)本身自動(dòng)學(xué)習(xí)特征，對(duì)圖像具有極強(qiáng)的表征能力，在解決許多傳統(tǒng)人工智能和計(jì)算機(jī)視覺(jué)問(wèn)題上取得了突破性進(jìn)展，目前已經(jīng)廣泛用于手寫(xiě)字符識(shí)別[11-13]、人臉識(shí)別[14-16]、圖像分類[17-19]和物體識(shí)別[20-22]。以上應(yīng)用為CNN模型用于盒裝水餃異物識(shí)別提供了依據(jù)，同時(shí)也表明CNN模型在圖像識(shí)別中可以有效克服傳統(tǒng)方法的不足。

圖1 本實(shí)驗(yàn)算法整體識(shí)別流程圖Fig. 1 Flow chart of overall recognition of algorithm

本實(shí)驗(yàn)通過(guò)X射線檢測(cè)設(shè)備采集了大量水餃樣本圖像，根據(jù)X射線圖像的特點(diǎn)，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的異物水餃識(shí)別模型，以實(shí)現(xiàn)對(duì)含有金屬球、鐵絲、鐵釘、石頭和玻璃5 種異物水餃的有效識(shí)別，為盒裝水餃中的異物在線自動(dòng)檢測(cè)提供了一種新的方法。本實(shí)驗(yàn)算法的主要步驟包括：1）圖像獲?。菏褂肵射線成像系統(tǒng)獲取不含和含有異物的水餃數(shù)字圖像，并儲(chǔ)存在電腦中。2）圖像預(yù)處理：對(duì)獲取的X射線數(shù)字圖像進(jìn)行去噪、對(duì)比增強(qiáng)處理。3）構(gòu)建正負(fù)樣本集：根據(jù)盒裝水餃的分布特點(diǎn)，對(duì)圖像進(jìn)行分塊，獲取單個(gè)水餃圖像，并進(jìn)行尺寸縮放以滿足實(shí)驗(yàn)要求。4）構(gòu)建CNN模型：確定各層參數(shù)，包括卷積層、批量歸一化層、ReLu層、最大池化層、Dropout層等。5）利用構(gòu)建好的CNN模型訓(xùn)練、驗(yàn)證無(wú)異物和異物水餃圖像，并保存網(wǎng)絡(luò)模型。6）利用訓(xùn)練好的CNN模型對(duì)整幅水餃圖像進(jìn)行測(cè)試，并顯示結(jié)果。本實(shí)驗(yàn)算法的整體識(shí)別流程圖如圖1所示。

1 材料與方法

1.1 材料

選取某品牌的盒裝速凍水餃作為本實(shí)驗(yàn)的研究對(duì)象并挑選直徑分別為1、2、3 mm的金屬鋼球、直徑為1 mm的細(xì)鐵絲、直徑為2 mm的螺釘以及長(zhǎng)×寬×厚度為（2～3 mm）×（2～3 mm）×（1～2 mm）的石頭與玻璃作為嵌入水餃中的異物。盒裝水餃和異物圖像如圖2所示。

圖2 實(shí)驗(yàn)材料Fig. 2 Experimental materials

1.2 儀器與設(shè)備

采用蘇州科耐視智能科技有限公司KST-T半自動(dòng)雙轉(zhuǎn)盤式X射線檢測(cè)器采集水餃圖像，其主要由X射線源、平板探測(cè)器、圖像采集卡、主機(jī)、檢測(cè)平臺(tái)、射線防護(hù)箱等部件組成，如圖3a所示。其中X射線源主要提供不同能量大小的X射線，其管電壓為0～160 kV可調(diào)，焦點(diǎn)尺寸為0.8 mm。平板探測(cè)器主要用于接收X射線，完成光電信號(hào)轉(zhuǎn)換，最后經(jīng)過(guò)數(shù)字信號(hào)轉(zhuǎn)換器形成所需要的數(shù)字圖像。其最大檢測(cè)尺寸為9 寸×9 寸，最小像素單位為200 μm，檢測(cè)畫(huà)面如圖3b所示。

圖3 檢測(cè)設(shè)備Fig. 3 Testing equipment

1.3 方法

1.3.1 圖像采集

圖4 圖像預(yù)處理與圖像分塊過(guò)程Fig. 4 Image preprocessing and blocking

在獲取X射線圖像之前，將盒裝速凍水餃分成A、B兩組放在常溫下融化，待水餃松軟時(shí)，使用剪刀和鑷子將異物放入B組水餃內(nèi)部。為最大化圖像對(duì)比度和最小化圖像噪聲，使用10 組測(cè)試的X射線水餃圖像調(diào)節(jié)X射線管電壓與管電流參數(shù)，最終獲得最佳的管電壓范圍為60～80 kV，管電流為0.8～1 mA。在設(shè)置最佳參數(shù)后，分別采集了300 幅X射線無(wú)異物水餃圖像和300 幅X射線異物水餃圖像。獲取的原始圖像大小為860×800，如圖4a、e所示，為方便后期處理，將原始圖像采用線性插值的方式放大至900×800。

1.3.2 圖像去噪與對(duì)比拉伸變換

圖4b、f為使用大小為3×3的窗口進(jìn)行中值濾波后得到的去噪圖像G（x，y）；圖4c、g為去噪后圖像進(jìn)行對(duì)比拉伸后的得到的圖像，即Y（x，y）＝c×lg（1＋G（x，y）），其中c為尺度比例常數(shù)，取0.8，Y（x，y）為變換后的圖像。經(jīng)過(guò)去噪和對(duì)比拉伸變換處理后[23-24]，圖像中孤立的噪點(diǎn)得以消除，圖像灰度更加均勻，目標(biāo)異物邊界清晰。

1.3.3 構(gòu)建正負(fù)樣本集

在采集的X射線水餃圖像中各選取200 幅無(wú)異物和異物水餃圖像作為樣本采集對(duì)象，根據(jù)盒裝水餃的分布特點(diǎn)，為方便后期圖像中單個(gè)異物水餃統(tǒng)計(jì)和異物水餃的二次處理，將整幅水餃圖像分成12 塊尺寸大小為300×200的單個(gè)水餃圖像，如圖4d、h所示。隨后對(duì)單個(gè)水餃圖像進(jìn)行篩選，避免數(shù)據(jù)樣本的錯(cuò)誤選定和單一性，最后選取了正、負(fù)樣本各1 500 幅作為本實(shí)驗(yàn)的數(shù)據(jù)集，數(shù)據(jù)均用于構(gòu)建的CNN模型的訓(xùn)練和參數(shù)優(yōu)化驗(yàn)證。從正、負(fù)樣本集隨機(jī)選擇80%的樣本作為訓(xùn)練集，20%的樣本作為驗(yàn)證集，部分正、負(fù)樣本圖樣如圖5所示。CNN模型訓(xùn)練完成后，將剩余的異物和無(wú)異物水餃圖像各100 幅，作為模型效果驗(yàn)證的測(cè)試集。

圖5 實(shí)驗(yàn)部分?jǐn)?shù)據(jù)集樣本示例Fig. 5 Sample images of selected datasets

1.3.4 構(gòu)建CNN模型

CNN模型具有比例縮放、平移不變性的特點(diǎn)，其主要利用卷積運(yùn)算提取目標(biāo)不同層次的特征，并在網(wǎng)絡(luò)訓(xùn)練的過(guò)程中自動(dòng)調(diào)節(jié)網(wǎng)絡(luò)的參數(shù)，產(chǎn)生最合適的分類特征，避免了傳統(tǒng)識(shí)別方法中復(fù)雜的特征提取過(guò)程。CNN具有兩種重要的特征：局部感知和參數(shù)共享。局部感知是指，網(wǎng)絡(luò)中的每一個(gè)神經(jīng)元不需要對(duì)整幅圖像進(jìn)行全連接，只需要對(duì)局部區(qū)域進(jìn)行感知，然后在更高層將局部信息綜合起來(lái)得到全局信息。參數(shù)共享是指所有神經(jīng)元對(duì)局部區(qū)域采用相同的連接參數(shù)，即所有神經(jīng)元提取的局部特征是同一性質(zhì)的。在參數(shù)共享的基礎(chǔ)上，為獲取更多的特征映射特征圖，往往給出不同的卷積核。同時(shí)為降低分辨率，減少冗余特征，需要對(duì)特征圖進(jìn)行池化操作，來(lái)加速網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)。

LeNet是經(jīng)典的CNN模型，最初成功用于手寫(xiě)字符識(shí)別，由于異物水餃識(shí)別也是對(duì)某一未知的水餃圖像進(jìn)行識(shí)別與匹配，該過(guò)程與手寫(xiě)字符識(shí)別相似，因此本實(shí)驗(yàn)將LeNet模型作為基礎(chǔ)網(wǎng)絡(luò)框架，使用MATLAB中的MatConvnet工具箱對(duì)其重要結(jié)構(gòu)參數(shù)和訓(xùn)練策略進(jìn)行優(yōu)化，以獲取適合的異物水餃識(shí)別模型框架。具體結(jié)構(gòu)設(shè)計(jì)描述如下：

1）輸入層：為減少計(jì)算量和加快算法運(yùn)行時(shí)間，將尺寸大小為300×200單個(gè)水餃圖像縮放至64×64，并將正負(fù)樣本分別標(biāo)記為“1”和“2”，作為卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入。

2）卷積層：卷積層用于提取輸入圖像的特征，假設(shè)輸入圖像通過(guò)j個(gè)不同的卷積核進(jìn)行圖像卷積，生成j個(gè)不同特征圖，則第l層的第j個(gè)特征圖xlj的計(jì)算公式如下：

式中：f（）為激活函數(shù)，本實(shí)驗(yàn)選擇非飽和線性修正單元ReLu作為激活函數(shù)。ReLu函數(shù)可以訓(xùn)練層次比較深的網(wǎng)絡(luò)模型，而且可以加快網(wǎng)絡(luò)的學(xué)習(xí)和計(jì)算速度。Mj為輸入圖像的特征量，為卷積核，為輸入特征圖的偏置。在實(shí)驗(yàn)的過(guò)程中，本實(shí)驗(yàn)借鑒了LeNet卷積核大小的設(shè)計(jì)，針對(duì)不同結(jié)構(gòu)的CNN模型進(jìn)行訓(xùn)練，然后通過(guò)對(duì)比不同模型的識(shí)別準(zhǔn)確率，最終設(shè)計(jì)了5 個(gè)卷積層。其中卷積層1，有50 個(gè)卷積核，即輸出50 幅特征圖，卷積核大小為3×3；卷積層2，有100 個(gè)卷積核，大小為4×4；卷積層3，有300 個(gè)卷積核，大小為5×5；卷積層4，有500 個(gè)卷積核，大小為5×5；卷積層5，卷積核大小為1×1。

3）批量歸一化層：為加速網(wǎng)絡(luò)訓(xùn)練、防止各層分布不均和梯度彌散，在網(wǎng)絡(luò)的前4 個(gè)卷積層之后添加批量歸一化層，即在上一層的輸入進(jìn)行歸一化處理之后再進(jìn)入網(wǎng)絡(luò)的下一層。具體操作如下式所示[20]：

式中：x1，x2，...，xm為輸入值，m為每次批量歸一化的樣本數(shù)量，γ和β為學(xué)習(xí)參數(shù)，μB為樣本均值，σB為樣本方差，為規(guī)范化后的數(shù)據(jù)，ε為常量，用來(lái)保證數(shù)值的穩(wěn)定性，yi為輸出。

4）池化層：為減少相鄰卷積層連接單元的數(shù)量、減少冗余特征和網(wǎng)絡(luò)的計(jì)算負(fù)擔(dān)，需要進(jìn)行池化操作。假設(shè)經(jīng)過(guò)池化之后的特征圖為，則池化操作的計(jì)算公式如下：

圖6 最大池化操作Fig. 6 Max pooling operation

5）Dropout層：為提高CNN的性能和模型的泛化能力，防止過(guò)度擬合，在卷積層5之前引入了一個(gè)Dropout層。

6）輸出層：經(jīng)過(guò)一系列的卷積、池化和特征映射操作之后，本實(shí)驗(yàn)選取Softmax分類器來(lái)計(jì)算CNN的損失值，衡量模型分類估計(jì)值與真實(shí)值之間的誤差，誤差越趨近于0，表示所構(gòu)建的模型對(duì)當(dāng)前測(cè)試數(shù)據(jù)的分類效果越好。

根據(jù)實(shí)驗(yàn)結(jié)果，最終確定的CNN模型如圖7所示。

圖7 本實(shí)驗(yàn)設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)模型Fig. 7 Convolution neural network model designed in this study

1.3.5 實(shí)驗(yàn)軟件及硬件

本實(shí)驗(yàn)實(shí)驗(yàn)平臺(tái)為臺(tái)式計(jì)算機(jī)，PC處理器為Inter(R)Core(TM) i3-2000H（主頻3.10 GHz），運(yùn)行內(nèi)存為4 GB，500 G硬盤，運(yùn)行環(huán)境為Windows 7 64位，在MATLAB R2016b的編程環(huán)境下實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 CNN模型的訓(xùn)練與驗(yàn)證

使用正負(fù)樣本集來(lái)訓(xùn)練和驗(yàn)證構(gòu)建的CNN模型，網(wǎng)絡(luò)權(quán)重的初始化采用標(biāo)準(zhǔn)差為0.01，均值為0的高斯分布。樣本的迭代次數(shù)設(shè)置為60 次，每次批處理的Batch Size為200，并設(shè)置權(quán)重參數(shù)的初始學(xué)習(xí)速率前期為0.001，后期為0.000 5，動(dòng)量因子設(shè)置為0.9。分別使用經(jīng)過(guò)批量歸一化處理和沒(méi)有批量歸一化層的兩種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)樣本進(jìn)行60 次迭代訓(xùn)練，其變化曲線如圖8所示。

圖8 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練和驗(yàn)證誤差曲線Fig. 8 Convolution neural network training and verification error curves

從圖8可以看出，隨著迭代次數(shù)的增加，訓(xùn)練和驗(yàn)證的分類誤差逐漸降低并趨于穩(wěn)定。對(duì)于沒(méi)有批量歸一化層的網(wǎng)絡(luò)結(jié)構(gòu)，在前30 次迭代時(shí)，網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證誤差一直處于0.28～0.4之間，尤其是在第3～22次迭代期間，網(wǎng)絡(luò)訓(xùn)練和驗(yàn)證誤差一直保持在0.34，隨后網(wǎng)絡(luò)的誤差急劇下降，在第60次迭代結(jié)束時(shí)，訓(xùn)練和驗(yàn)證誤差達(dá)到0.02。對(duì)于含有批量歸一化層的網(wǎng)絡(luò)結(jié)構(gòu)，在前10 次迭代時(shí)，網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證誤差就開(kāi)始急劇下降，后面逐漸趨于平緩，當(dāng)訓(xùn)練迭代到第30次時(shí)，網(wǎng)絡(luò)可以實(shí)現(xiàn)對(duì)訓(xùn)練集和驗(yàn)證集的誤識(shí)別率都降至0，之后模型分類準(zhǔn)確率趨于穩(wěn)定。這兩種不同的網(wǎng)絡(luò)結(jié)構(gòu)表明，在網(wǎng)絡(luò)結(jié)構(gòu)中加入批量歸一化層，可以有效地加快網(wǎng)絡(luò)訓(xùn)練速度和降低網(wǎng)絡(luò)誤差，幫助網(wǎng)絡(luò)提前收斂。模型在經(jīng)過(guò)60 次迭代之后，訓(xùn)練損失收斂到穩(wěn)定值，表明CNN達(dá)到了預(yù)期的效果。

2.2 特征圖可視化分析

按照?qǐng)D7網(wǎng)絡(luò)結(jié)構(gòu)，使用訓(xùn)練好的CNN模型對(duì)異物水餃圖像樣本進(jìn)行識(shí)別。圖9為輸入的異物水餃圖像在5 個(gè)卷積層所對(duì)應(yīng)的特征圖的輸出結(jié)果，輸出1和2分別表示異物和無(wú)異物水餃。如圖9所示，本實(shí)驗(yàn)構(gòu)建的CNN模型通過(guò)局部感受野和權(quán)值共享，可以有效地提取異物水餃特征。

圖9 異物水餃在CNN網(wǎng)絡(luò)各卷積層的處理結(jié)果Fig. 9 Processing results of foreign body-containing dumplings in each convolution layer of CNN

2.3 模型測(cè)試結(jié)果與對(duì)比

為驗(yàn)證本實(shí)驗(yàn)網(wǎng)絡(luò)模型的可靠性和穩(wěn)定性，利用訓(xùn)練好的網(wǎng)絡(luò)模型和滑動(dòng)窗口，對(duì)測(cè)試集中無(wú)異物和異物水餃圖像各100 幅進(jìn)行識(shí)別，選擇正確識(shí)別整幅水餃圖像和正確對(duì)圖像中異物水餃計(jì)數(shù)作為實(shí)驗(yàn)結(jié)果有效性的評(píng)價(jià)指標(biāo)。圖10a為無(wú)異物水餃識(shí)別結(jié)果，圖10b從左到右依次為含有金屬鋼球一種異物和含有鋼球、石頭、螺釘、鐵絲4 種異物以及含有全部5 種異物的水餃圖像異物計(jì)數(shù)與識(shí)別結(jié)果?？梢钥闯?，本實(shí)驗(yàn)構(gòu)建的CNN模型可以實(shí)現(xiàn)異物水餃的精確識(shí)別。

圖10 水餃識(shí)別結(jié)果Fig. 10 Identification results of dumplings

為驗(yàn)證本實(shí)驗(yàn)的算法性能，與常規(guī)方法進(jìn)行比較。首先，分別提取水餃圖像的提取局部二值模式（local binary pattern，LBP）[25]、方向梯度直方圖（histogram of oriented gradient，HOG）[26]和Gabor[27]紋理特征，作為識(shí)別無(wú)異物和異物水餃的特征向量，然后使用BP神經(jīng)網(wǎng)絡(luò)[28]、支持向量機(jī)（support vector machine，SVM）[29]、KNN分類器、AdaBoost分類器[30]、樸素貝葉斯分類器和決策樹(shù)分類器對(duì)水餃圖像進(jìn)行識(shí)別，將識(shí)別結(jié)果與本實(shí)驗(yàn)算法進(jìn)行對(duì)比；同時(shí)為了驗(yàn)證本實(shí)驗(yàn)CNN模型所提取特征的有效性，使用上述分類器用本實(shí)驗(yàn)提取的特征進(jìn)行重新識(shí)別，如表1所示，不同方法對(duì)一幅水餃圖像的平均識(shí)別時(shí)間如表2所示。

表1 不同特征和不同算法下異物水餃的識(shí)別率Table 1 Recognition rates of foreign body-containing dumplings with different characteristics and different algorithms

表2 不同特征和不同算法下異物水餃的識(shí)別時(shí)間Table 2 Recognition times of foreign body-containing dumplings with different characteristics and different algorithms

從表1、2可以看出，在相同的圖像尺寸下，LBP特征向量的維數(shù)最少僅為59，其次為本實(shí)驗(yàn)CNN模型所提取的特征向量，維數(shù)為500，而HOG和Gabor的特征向量維數(shù)最多，分別為1 764和2 560。當(dāng)把LBP特征作為識(shí)別無(wú)異物和異物水餃的特征向量時(shí)，常規(guī)方法所得到的識(shí)別效果最差、對(duì)一幅水餃圖像的平均識(shí)別時(shí)間最短，其中樸素貝葉斯分類器的識(shí)別率僅為68.62%，識(shí)別時(shí)間為0.053 s，其次為HOG特征；當(dāng)把Gabor特征作為特征向量時(shí)，常規(guī)方法所得到的識(shí)別效果最好，同時(shí)對(duì)一幅水餃圖像的平均識(shí)別時(shí)間也最長(zhǎng)，其中BP神經(jīng)網(wǎng)絡(luò)和SVM的識(shí)別率分別達(dá)到了88.82%和92.15%，識(shí)別時(shí)間分別為1.754 s和1.575 s。在幾種常規(guī)方法中，使用SVM進(jìn)行識(shí)別時(shí)，所獲得的識(shí)別效果最好，表明在本實(shí)驗(yàn)問(wèn)題中，SVM的分類效果優(yōu)于其他傳統(tǒng)方法。相比于常規(guī)方法，使用本實(shí)驗(yàn)?zāi)Ｐ蛯?duì)水餃圖像進(jìn)行識(shí)別，不僅避免了復(fù)雜的手動(dòng)特征提取，而且所提取的特征向量的維數(shù)，相比于HOG和Gabor特征要少的多，在計(jì)算時(shí)可以有效節(jié)省內(nèi)存，提高檢測(cè)速度，識(shí)別率達(dá)到了99.78%，識(shí)別時(shí)間為0.332 s。綜合識(shí)別率和識(shí)別時(shí)間，可以看出本實(shí)驗(yàn)CNN模型優(yōu)于其他方法。同時(shí)，當(dāng)各常規(guī)方法使用本實(shí)驗(yàn)所提取的特征進(jìn)行識(shí)別時(shí)，識(shí)別率均得到了大幅度提升，表明本實(shí)驗(yàn)CNN卷積運(yùn)算所提取的特征比LBP、HOG和Gabor特征更有效。

為檢測(cè)本實(shí)驗(yàn)CNN模型對(duì)不同異物的識(shí)別效果，分別統(tǒng)計(jì)了5 種異物在該網(wǎng)絡(luò)模型下的識(shí)別率，如表3所示。根據(jù)實(shí)驗(yàn)結(jié)果和5 種異物的特性可以發(fā)現(xiàn)，由于金屬鋼球、鐵絲、螺釘?shù)拿芏却蟆⒋┩感圆?，?dǎo)致在X射線水餃圖像中，呈現(xiàn)出灰度低、顏色暗，與周圍物體和背景差異大、對(duì)比鮮明，識(shí)別率很高，分別為99.97%、99.91%、99.93%；石頭的密度和穿透性次之，識(shí)別率稍低于金屬異物，為99.72%，而透明玻璃密度低、穿透性好，在X射線圖像中，呈現(xiàn)出的灰度與水餃灰度相似，易造成混淆，不易識(shí)別，識(shí)別率為98.85%，低于其他異物；因此本實(shí)驗(yàn)算法對(duì)于密度大、穿透性差的金屬異物和石頭具有很好的識(shí)別效果，而對(duì)密度小、穿透性好的玻璃的識(shí)別率稍低。

表3 不同異物的識(shí)別率Table 3 Recognition rates of different foreign bodies

3 結(jié) 論

本實(shí)驗(yàn)以盒裝水餃為研究對(duì)象，通過(guò)X射線檢測(cè)設(shè)備來(lái)獲取水餃圖像，對(duì)其進(jìn)行去噪和對(duì)比拉伸變換處理；然后對(duì)經(jīng)典的LeNet模型進(jìn)行優(yōu)化，在網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計(jì)中加入批量歸一化層和Dropout層，以此提高網(wǎng)絡(luò)學(xué)習(xí)速度，避免網(wǎng)絡(luò)過(guò)度擬合；最后利用本實(shí)驗(yàn)構(gòu)建的CNN模型對(duì)異物水餃進(jìn)行識(shí)別，并與其他方法進(jìn)行對(duì)比。結(jié)果表明，CNN模型的識(shí)別效果優(yōu)于其他常規(guī)方法，而且可以自動(dòng)地從復(fù)雜數(shù)據(jù)中學(xué)習(xí)到有效的特征，實(shí)現(xiàn)對(duì)盒裝水餃的準(zhǔn)確、快速、無(wú)損檢測(cè)，為食品中的異物自動(dòng)檢測(cè)提供了新思路。