馬本學(xué) 李 聰 李玉潔 喻國威 李小占 張原嘉

(1.石河子大學(xué)機械電氣工程學(xué)院， 石河子 832003； 2.農(nóng)業(yè)農(nóng)村部西北農(nóng)業(yè)裝備重點實驗室， 石河子 832003)

0 引言

哈密大棗是新疆傳統(tǒng)名優(yōu)特產(chǎn)之一，個大肉厚、食之濃郁、外觀紫紅且有光澤，是藥食同源的滋補食品和藥用食品[1]。目前大部分哈密大棗干制后經(jīng)大小分級機分選后直接流入市場，若不再進行初步的品質(zhì)分級，缺陷棗流入市場，將影響干制哈密大棗的附加值。

針對紅棗的外部品質(zhì)檢測問題，許多學(xué)者已經(jīng)進行了大量的研究。李運志等[2]依據(jù)半干棗在病害和非病害區(qū)域色調(diào)值差異，提出一種基于機器視覺的缺陷識別方法，用提取的病害區(qū)域與棗表面積的比作為閾值來確定識別精度，以識別病害和裂痕棗。張萌等[3]針對紅棗表面灰度不均勻問題，提出一種表面灰度快速補償方法，解決了表面缺陷難以快速定位的問題，顯著地增強了果面缺陷特征，提高了紅棗缺陷檢測的準確率。海潮等[4]根據(jù)紅棗及其表面缺陷的特征，提出一種在顏色空間模型中采用Blob分析算法進行紅棗與背景的分離以及紅棗表面缺陷的識別方法，可以快速準確地實現(xiàn)破頭果、霉變果、漿頭果、蟲蛀果等典型紅棗表面缺陷的識別。施鍵等[5]利用鮮棗輪廓上兩點之間最大距離對鮮棗進行大小分級，準確率達91.7%，單通道分級效率為6個/s。文獻[6]通過提取干制哈密大棗的紋理特征和顏色特征，利用支持向量機對干制哈密大棗的3個等級進行分級，準確率達到96.67%。這些手工提取紅棗單一外部特征(缺陷、尺寸和紋理等)的方法，分級準確率有限，且無法全面客觀地反映人類對紅棗外部品質(zhì)的直觀評價。文獻[7]提出了一種基于圖像邊緣檢測的紅棗分級方法，通過對紅棗尺寸、表面輪廓和缺陷進行檢測實現(xiàn)紅棗分級，準確率可達91.45%。但該方法只能針對破頭果這類圖像分割后像素面積具有差異性的缺陷棗果。文獻[8]利用機器視覺對干制駿棗進行缺陷檢測與尺寸分級，尺寸分級正確率可達95.3%，但缺陷識別精度較低，其中鳥啄和藥害的識別準確率僅為86.7%和76.7%，表明機器視覺對缺陷棗的識別效果并不理想。文獻[9]提出了一種基于深度殘差網(wǎng)絡(luò)對紅棗表面缺陷以及紋理識別的分類算法，該分類方法準確率達到了96.11%，檢測效率為120個/min，但該方法只針對正常棗與缺陷棗，且未考慮紅棗尺寸這一重要品質(zhì)等級外觀指標，故以上研究有很大的局限性。

隨著互聯(lián)網(wǎng)時代大數(shù)據(jù)技術(shù)的發(fā)展，深度學(xué)習(xí)已經(jīng)廣泛應(yīng)用于人臉識別、語音識別和行人檢測等[10-14]。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)中最為重要的模型之一，具有強大的特征提取性能，已經(jīng)在圖像識別技術(shù)的應(yīng)用中起到了至關(guān)重要的作用[15]。何進榮等[16]針對蘋果外部品質(zhì)分級中準確率較低、魯棒性較弱等問題，提出一種多卷積神經(jīng)網(wǎng)絡(luò)融合DXNet模型的蘋果外觀分級方法，分級準確率達到了97.84%。傅隆生等[17]針對田間條件下多簇獼猴桃果實識別問題，提出一種基于LeNet卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型進行多簇獼猴桃果實圖像的識別方法，該識別方法對遮擋果實、重疊果實、相鄰果實和獨立果實的識別率分別達78.97%、83.11%、91.01%和94.78%。趙德安等[18]針對復(fù)雜環(huán)境下蘋果識別定位問題，提出一種基于YOLO v3深度卷積神經(jīng)網(wǎng)絡(luò)的蘋果定位方法，采用端到端的整體訓(xùn)練讓神經(jīng)網(wǎng)絡(luò)自適應(yīng)地學(xué)習(xí)不同環(huán)境下蘋果定位所需要的特征，準確率和召回率分別達97%和90%以上。SARANYA等[19]以蘋果、香蕉、石榴和柑橘為研究對象，在公開數(shù)據(jù)集fruit-360上對傳統(tǒng)的機器學(xué)習(xí)方法和深度學(xué)習(xí)方法進行了比較，結(jié)果表明CNN模型有更好的學(xué)習(xí)效果。以上研究為卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于水果識別與分類提供了參考和可行性依據(jù)。

為全面客觀評價紅棗外部品質(zhì)，本文以干制哈密大棗為研究對象，采用深度學(xué)習(xí)結(jié)合圖像處理的方法，對干制哈密大棗的缺陷、尺寸和褶皺進行特征提取，實現(xiàn)干制哈密大棗外部品質(zhì)綜合檢測，為進一步開發(fā)紅棗品質(zhì)在線檢測技術(shù)提供理論依據(jù)和技術(shù)參考。

1 材料與方法

1.1 試驗材料

試驗材料為干制哈密大棗，采購自新疆維吾爾自治區(qū)哈密市花園鄉(xiāng)閃電農(nóng)產(chǎn)品專業(yè)合作社，依據(jù)DB 65/T 3460—2012《地理標志產(chǎn)品哈密大棗》[20]中對干制哈密大棗的分級標準，從采購的干制哈密大棗通貨(包含各等級正常棗和各種缺陷棗)中，首先挑選出裂紋、鳥啄和霉變3種缺陷棗各150個，并在正常棗中挑選出尺寸2個等級、褶皺2個等級的干制哈密大棗各200個。根據(jù)缺陷、尺寸和褶皺3個等級外觀指標，本文將干制哈密大棗共劃分為一級、二級、三級和等外品(缺陷棗)4個等級，各等級樣本圖像如圖1所示。

機器視覺系統(tǒng)由封閉暗箱裝置、LED環(huán)形光源、HDMI工業(yè)相機(4～12 mm變焦鏡頭，1 200萬像素)和便攜式計算機組成。干制哈密大棗棗梗垂直光源方向放置，每個干制哈密大棗正反面各拍攝1幅圖像，共拍攝2 500幅圖像，鏡頭與實物的距離為23.5 cm。經(jīng)對原始圖像質(zhì)量篩選(將人為拍攝失誤導(dǎo)致的對焦不準、曝光時間過長以及拍攝表面與標簽不一致的圖像去除)后，最終得到正常棗圖像1 200幅，裂紋、鳥啄和霉變棗圖像各200幅。

1.2 試驗平臺

試驗平臺由計算機硬件和開發(fā)平臺兩部分組成。計算機硬件：處理器(CPU)為Intel (R) Core (TM) I7-8700 CPU @3.20 GHz，圖形處理器(GPU)為NVIDIA GeForce RTX2060。開發(fā)平臺： Windows 10操作系統(tǒng)上的Pytorch深度學(xué)習(xí)框架，配置NVIDIA CUDA Toolkit 10.1和深度神經(jīng)網(wǎng)絡(luò)加速庫NVIDIA CUDNN v 8.0.4。編程語言為Python 3.7.4。

1.3 圖像增強

圖像分類時，有效的圖像數(shù)據(jù)增強可以進一步提高分類精度[21]。隨機挑選200幅正常棗圖像與600幅缺陷棗圖像組成干制哈密大棗缺陷樣本數(shù)據(jù)集，并將其批量調(diào)整為224像素×224像素。鑒于干制哈密大棗更換不同角度觀察都不會改變其特征的特點，采用隨機翻轉(zhuǎn)、鏡像、隨機裁剪和高斯噪聲4種變換方式對樣本數(shù)據(jù)集進行擴充，得到正常、裂紋、鳥啄和霉變棗圖像各1 000幅，共4 000幅干制哈密大棗圖像，極大地增加了樣本多樣性。

1.4 分類模型

1.4.1改進殘差網(wǎng)絡(luò)模型

在深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，通常會出現(xiàn)梯度消失的問題，隨著訓(xùn)練的進行，早期層的梯度幅度迅速降低到零。為解決這一問題，文獻[22]提出了殘差網(wǎng)絡(luò)(Residual network, ResNet)學(xué)習(xí)模型。ResNet在網(wǎng)絡(luò)中引入殘差結(jié)構(gòu)，通過捷徑連接的方式形成跳躍式結(jié)構(gòu)，為解決深層卷積神經(jīng)網(wǎng)絡(luò)模型的錯誤率不降反升的難題提供了新的方向。

圖2為殘差模塊學(xué)習(xí)示意圖，假設(shè)某段神經(jīng)網(wǎng)絡(luò)的輸入樣本是x，期望輸出是H(x)，以往的卷積神經(jīng)網(wǎng)絡(luò)模型都試圖通過堆疊不同的層找到可將輸入x映射為輸出H(x)的函數(shù)，然而殘差網(wǎng)絡(luò)的思想是構(gòu)建公式

F(x)=H(x)-x

(1)

式中F(x) ——堆疊的非線性層

每個ResNet塊都包含一系列層，圖2中有2個權(quán)重層，每一個權(quán)重層的輸出和堆疊的權(quán)重層最終輸出計算公式為

F(x)=W2δ(W1x)

(2)

H(x)=W2δ(W1x)+x

(3)

式中δ——激活函數(shù)ReLU

W1——第1層的權(quán)重

W2——第2層的權(quán)重

與常規(guī)深度網(wǎng)絡(luò)最大的差別是，殘差網(wǎng)絡(luò)利用捷徑方式連接，通過身份映射操作將堆疊層的輸入和輸出組合在一起，無需任何附加參數(shù)。因此，梯度很容易回流，可以更快地訓(xùn)練更多的層。但傳統(tǒng)ResNet由于其面向上千種分類，參數(shù)量大，存在冗余參數(shù)，降低訓(xùn)練與識別速度[23]，考慮到研究對象(正常棗、裂紋棗、鳥啄棗和霉變棗)共有4類，故本文網(wǎng)絡(luò)模型以ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，通過改變網(wǎng)絡(luò)結(jié)構(gòu)以創(chuàng)建新的網(wǎng)絡(luò)結(jié)構(gòu)來解決以上問題，并提高了分類的準確率。

ResNet-50網(wǎng)絡(luò)主體結(jié)構(gòu)由輸入主干、4個殘差塊及最后的輸出層組成，模型輸出維度為4，分別對應(yīng)4類干制哈密大棗圖像。輸入主干由輸出通道數(shù)為64的7×7卷積核和3×3的最大池化層組成，步長均為2。經(jīng)輸入主干后原始圖像尺寸變?yōu)樵瓉淼?/4，并且通道數(shù)從3增加到了64。ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)從第2個殘差塊開始，每個殘差塊輸出都經(jīng)過1個下采樣模塊，然后是2個殘差模塊。在下采樣模塊中分別設(shè)有2條路徑，分別是主干路徑和捷徑路徑，主干路徑包含3個卷積層，其中卷積核大小分別是1×1、3×3以及1×1，用于對輸入圖像進行特征提取，第1個卷積核的步長為2，可將輸入圖像尺寸減半，最后1個卷積層的輸出通道數(shù)是前2個卷積層的4倍，這一結(jié)構(gòu)稱為瓶頸結(jié)構(gòu)。捷徑路徑使用步長為2的1×1卷積核，保證輸出圖像尺寸與主干路徑輸出圖像尺寸一致，以此對2個路徑進行求和輸出。

干制哈密大棗缺陷分類模型是在ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)上進行進一步改進。通過觀察ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)可知，輸入主干是由1個7×7的卷積核等組成，其中卷積層的計算成本是卷積核寬度或者卷積核高度的平方，因此1個7×7卷積核的計算量是3個3×3卷積核計算量的5至6倍。本文將輸入主干中的7×7卷積核替換成3個3×3的卷積核，其中第1個卷積核步長為2，輸出通道數(shù)為32，最后1個卷積核輸出通道數(shù)為64，在保證和原始網(wǎng)絡(luò)輸出主干信息一致的情況下大幅降低了計算成本，同時減少網(wǎng)絡(luò)模型參數(shù)數(shù)量。

同時，改變分類模型中下采樣模塊的通道數(shù)。由于原始2個殘差塊之間先通過1×1卷積升維使得主干路徑可以和捷徑路徑疊加，然后通過1×1卷積降維輸出，因此導(dǎo)致殘差塊之間丟失了大量的輸入特征信息。模型通過改變殘差塊中各卷積核通道數(shù)，輸入特征信息通過1×1卷積升維后直接進行輸出，不僅保證了輸入特征信息完整性，而且降低了計算成本。本文分類網(wǎng)絡(luò)模型的輸入結(jié)構(gòu)與下采樣結(jié)構(gòu)如圖3(圖中s為步長)所示。模型具體結(jié)構(gòu)如圖4所示。表1列出了改進的ResNet-50網(wǎng)絡(luò)與原始ResNet-50網(wǎng)絡(luò)中殘差塊結(jié)構(gòu)及參數(shù)數(shù)量。可以看出，改進ResNet-50網(wǎng)絡(luò)較原始網(wǎng)絡(luò)的參數(shù)量減少約6.9×106。

表1 2種網(wǎng)絡(luò)卷積結(jié)構(gòu)對比Tab.1 Comparison of two network convolution structures

1.4.2閾值檢測方法

紅棗尺寸是其分級的重要依據(jù)之一[24]，本文提出一種閾值檢測方法，首先通過閾值分割方法對干制哈密大棗進行圖像分割，得到干制哈密大棗感興趣區(qū)域，獲取干制哈密大棗感興趣區(qū)域二值圖像的像素面積與周長。并對干制哈密大棗感興趣區(qū)域圖像進行圓擬合，獲取干制哈密大棗圖像圓半徑。最終得到干制哈密大棗3種尺寸特征，即面積、周長與擬合圓半徑，并對3種特征分別建立閾值檢測模型，根據(jù)樣本數(shù)據(jù)最小方差尋求最佳閾值實現(xiàn)干制哈密大棗的尺寸檢測。

干制哈密大棗表面紋理可以反映干制哈密大棗褶皺程度[25]。在拍攝干制哈密大棗圖像時可以發(fā)現(xiàn)，表面褶皺少時產(chǎn)生的光斑少，表面褶皺多時產(chǎn)生的光斑也會多?；谶@種思路，對干制哈密大棗感興趣區(qū)域圖像再次采用閾值分割方法，提取干制哈密大棗表面紋理區(qū)域圖像，并對紋理區(qū)域進行二值化、移除小面積對象操作，最終得到紋理區(qū)域二值圖。對紋理區(qū)域二值圖的封閉區(qū)域進行連通域統(tǒng)計獲取紋理數(shù)量，建立紋理數(shù)量特征閾值檢測模型，根據(jù)樣本數(shù)據(jù)最小方差尋求最佳閾值實現(xiàn)干制哈密大棗的褶皺檢測。

2 結(jié)果與分析

2.1 缺陷識別結(jié)果與分析

為驗證提出的模型在干制哈密大棗缺陷分類上的優(yōu)越性，按照4∶1的比例將4 000幅圖像隨機劃分為訓(xùn)練集與驗證集。在相同條件下試驗對比ResNet-50、VGG-19和GoogLeNet Inception v2深度卷積神經(jīng)網(wǎng)絡(luò)標準模型對干制哈密大棗缺陷棗的識別分類效果。

VGGNet將2個3×3卷積核的卷積層代替了以往深度學(xué)習(xí)模型中1個5×5卷積核的卷積層，全部使用3×3小卷積核來加深網(wǎng)絡(luò)的深度，但VGGNet含有3個全連接層，參數(shù)量極大，耗費計算資源更多[26]。GoogLeNet參考VGGNet使用多個小卷積核替代大卷積核的方法，通過引入Inception模塊，使用多個尺度的卷積核提取特征。同時，采用批量歸一化的方法，使模型更加輕量化，但存在計算次數(shù)太多，效率不足的問題[27]。ResNet在VGGNet的基礎(chǔ)上引入跨層連接，使用殘差模塊構(gòu)造更加復(fù)雜的網(wǎng)絡(luò)。由于使用全局平均池化操作而不是全連接層，所以ResNet模型的參數(shù)更少，但傳統(tǒng)ResNet面向上千種分類，訓(xùn)練小樣本時，存在冗余參數(shù)，降低訓(xùn)練與識別速度。本文提出改進的ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)，將主干網(wǎng)絡(luò)上的7×7卷積核用3個3×3卷積核代替，同時改變各卷積核的通道數(shù)，使殘差塊輸入與輸出之間不需要使用1×1濾波器降維，不僅減少了輸入特征信息的丟失，而且極大地減少了網(wǎng)絡(luò)計算成本。綜合考慮硬件性能和訓(xùn)練時間，經(jīng)多次調(diào)試后，批大小(Batchsize)設(shè)置為32，采用Adam優(yōu)化器進行模型訓(xùn)練優(yōu)化，初始學(xué)習(xí)率設(shè)置為0.001，梯度一階矩衰減系數(shù)β1設(shè)置為0.9，梯度二階矩衰減系數(shù)β2設(shè)置為0.999。在經(jīng)過200輪訓(xùn)練后，各模型的識別準確率與損失值曲線如圖5、6所示。

從圖5可以看出，在訓(xùn)練初始階段，4種深度卷積神經(jīng)網(wǎng)絡(luò)模型的識別準確率都出現(xiàn)快速提升，達到80%以上，但不同模型提高程度各有差異。在訓(xùn)練100輪后VGG-19的識別準確率基本穩(wěn)定在90%。GoogLeNet Inception v2由于使用多個尺度的卷積核提取特征，在訓(xùn)練初始階段表現(xiàn)出較高的識別準確率，但模型收斂速度較慢。ResNet-50識別準確率與GoogLeNet Inception v2相差不大，但模型更加收斂，且識別準確率都要高于VGG-19。各組訓(xùn)練與測試的結(jié)果見表2。從表2可以看出，改進的ResNet-50模型測試準確率可達到97.25%，優(yōu)于其他3種模型，且較原始ResNet-50模型每輪訓(xùn)練時長減少5.13 s。

表2 試驗?zāi)Ｐ蛯Ρ冉Y(jié)果Tab.2 Comparison results of models

2.2 尺寸檢測結(jié)果與分析

本文提出一種閾值檢測方法實現(xiàn)干制哈密大棗尺寸檢測。干制哈密大棗圖像面積、周長和擬合圓半徑3種特征提取過程如圖7所示。3種閾值建立的檢測模型見圖8。干制哈密大棗尺寸檢測模型測試結(jié)果見表3，從表3可看出，面積閾值的識別精度最高，當面積閾值選擇為1.8×106像素時，對于干制哈密大棗尺寸檢測80個樣本，75個判斷正確，總體正確率為93.75%，其中一級和二級的檢測精度分別為95.00%和92.50%。綜合試驗結(jié)果，面積閾值模型可滿足對干制哈密大棗尺寸檢測。

表3 干制哈密大棗尺寸檢測模型測試結(jié)果Tab.3 Results of size detection model of dried Hami jujube

2.3 褶皺檢測結(jié)果與分析

圖9為干制哈密大棗不同褶皺等級表面紋理提取過程，對背景分割后的二值圖像采用5×5的濾波器進行腐蝕操作，消除邊界影響；對紋理分割后的圖像進行刪除像素面積操作，刪除面積小于80像素的光斑，避免一些極小光斑帶來的影響，并對紋理提取后的圖像采用8連通域計數(shù)，以此對集中與分散的光斑進行計數(shù)。從圖9中可以看出，干制哈密大棗褶皺處光斑明顯。褶皺等級不同的干制哈密大棗圖像光斑分布也不一樣，果面飽滿光滑的干制哈密大棗紋理數(shù)量少且光斑集中，果面較褶皺的干制哈密大棗紋理數(shù)量多且光斑分散。圖10為干制哈密大棗紋理數(shù)量特征建立的閾值檢測模型。

干制哈密大棗褶皺檢測模型測試結(jié)果見表4，從表4可看出，當選擇紋理數(shù)量為特征，閾值設(shè)置為36時，對于干制哈密大棗尺寸檢測80個樣本76個判斷正確，總體準確率為93.75%，其中一級和二級的檢測精度分別為92.50%和95.00%。綜合試驗結(jié)果，紋理數(shù)量閾值模型可滿足對干制哈密大棗的褶皺檢測。

表4 干制哈密大棗褶皺檢測模型測試結(jié)果Tab.4 Results of wrinkle detection model for dried Hami jujube

2.4 模型驗證

為驗證模型的實用性，結(jié)合維視圖像試驗裝置開發(fā)了一款干制哈密大棗外部品質(zhì)檢測系統(tǒng)并進行試驗驗證。首先判別干制哈密大棗是否為缺陷棗，若是缺陷棗，則直接輸出為等外品，若不是缺陷棗，則通過尺寸與褶皺特征閾值對干制哈密大棗進行檢測。其中每個干制哈密大棗的尺寸與褶皺都包含2個等級，一級記為1，二級記為2。若尺寸與褶皺同時輸出為1，則記為一級棗；若尺寸與褶皺只有其中一個輸出為1，則記為二級棗；若尺寸與褶皺都輸出為2，則記為三級棗。具體檢測流程如圖11所示。

干制哈密大棗外部品質(zhì)檢測界面如圖12所示。后臺處理通過編寫Python語言調(diào)用OpenCV打開相機，并通過光電傳感器控制相機拍攝獲取圖像，調(diào)用Pytorch深度學(xué)習(xí)框架實現(xiàn)干制哈密大棗外部品質(zhì)分級。通過檢測分級系統(tǒng)對干制哈密大棗外部品質(zhì)進行綜合判別，通過實時采集圖像進行試驗驗證，一級、二級、三級和等外品的干制哈密大棗樣本分別隨機挑選40個進行檢測，干制哈密大棗外部品質(zhì)檢測系統(tǒng)見圖13。

經(jīng)測試，160個干制哈密大棗樣本中，檢測正確樣本數(shù)為149，總體準確率為93.13%。干制哈密大棗檢測系統(tǒng)驗證的混淆矩陣結(jié)果如圖14所示?？梢钥闯?0個一級棗樣本6個被誤判為二級棗；40個二級棗樣本3個被誤判為三級棗，1個被誤判為一級棗。表明尺寸和褶皺中有1個閾值特征可能會被錯誤檢測。此外，40個等外品樣本全部判斷正確，較好地避免了缺陷棗果被誤判為正常棗果的危害。結(jié)果表明，改進的ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)能夠較好地識別干制哈密大棗缺陷特征。綜上所述，本文構(gòu)建的檢測系統(tǒng)可以實現(xiàn)干制哈密大棗外部品質(zhì)綜合檢測。

3 結(jié)論

(1)改進的ResNet-50網(wǎng)絡(luò)結(jié)構(gòu)可以提升干制哈密大棗缺陷的識別準確率，且大大降低了網(wǎng)絡(luò)的計算成本。與原始ResNet-50網(wǎng)絡(luò)和經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)模型VGG-19、GoogLeNet Inception v2相比較，相同條件下，本文所提模型能更快收斂，缺陷識別測試準確率達97.25%。

(2)提出一種閾值檢測方法，通過圖像像素面積和紋理數(shù)量特征分別建立干制哈密大棗尺寸、褶皺閾值檢測模型。試驗結(jié)果表明，尺寸和褶皺的檢測準確率均可達到93.75%，證明了模型的有效性。

(3)為驗證檢測模型的實用性，結(jié)合維視圖像試驗裝置開發(fā)了干制哈密大棗外部品質(zhì)檢測系統(tǒng)，綜合了缺陷識別模型和尺寸、褶皺檢測模型，試驗結(jié)果表明，外部品質(zhì)綜合檢測總體準確率可達93.13%，初步滿足干制哈密大棗外部品質(zhì)在線檢測裝備的生產(chǎn)需求。