首页
›
农业食品现代生物产业工程
›
005-农业机器视觉与AI识别技术
›
《农产品表面缺陷视觉检测系统》
VIP20
本课程属于:005-农业机器视觉与AI识别技术
农业食品现代生物产业工程 · 共 20 门相关课程,组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录
咨询 / 购买
📘
农产品表面缺陷视觉检测系统
共计 30 章节
可可资料掘金营 · 点击在线试看
01
课程导入与系统概览
农产品表面缺陷检测的意义 · 视觉检测系统的基本组成 · 课程学习路径与实战项目介绍
课程导入
系统概览
02
农产品表面缺陷类型与检测需求分析
常见缺陷(虫眼 · 霉变 · 裂口
农产品表面缺陷类…
检测需求分析
03
视觉检测硬件选型与成像方案设计
工业相机 · 镜头 · 光源(环形光
视觉检测硬件选型
成像方案设计
04
图像采集与预处理基础
图像去噪 · 增强 · 色彩空间转换(RGB
图像采集
预处理基础
05
农产品图像分割基础方法
阈值分割 · 边缘检测 · 区域生长在典型农产品(苹果
农产品图像分割基…
阈值分割
06
基于形态学的缺陷区域提取
腐蚀 · 膨胀 · 开闭运算在去除果梗
基于形态学的缺陷…
腐蚀
07
颜色特征与纹理特征提取
颜色矩 · 颜色直方图 · 灰度共生矩阵(GLCM)
颜色特征
纹理特征提取
08
形状与几何特征提取
面积 · 周长 · 圆形度
形状
几何特征提取
09
传统机器学习分类器实战
SVM · 随机森林 · KNN在农产品缺陷分类中的训练
传统机器学习分类…
SVM
10
深度学习入门与数据集构建
卷积神经网络基础 · 农产品缺陷数据集采集 · 标注
深度学习入门
数据集构建
11
基于CNN的缺陷分类模型实战
LeNet · ResNet · MobileNet等网络在农产品缺陷…
CNN
基于
12
基于目标检测的缺陷定位
YOLO系列算法原理 · 标注格式转换 · 模型训练与在农产品缺陷检测中的评估
基于目标检测的缺…
YOLO
13
基于语义分割的缺陷像素级检测
U-Net · DeepLab等模型在农产品表面缺陷…
基于语义分割的缺…
U-Net
14
模型轻量化与边缘部署准备
模型剪枝 · 量化 · 知识蒸馏以及TensorRT/ONN…
模型轻量化
边缘部署准备
15
检测系统软件架构设计
模块划分(采集 · 预处理 · 推理
检测系统软件架构…
模块划分
16
相机SDK集成与实时图像采集
调用工业相机SDK · 设置曝光/增益 · 触发模式与连续采集的编程实现
SDK
相机
17
图像预处理与缺陷检测流水线搭建
将预处理 · 特征提取/深度学习推理 · 后处理串联为可配置的检测流水线
图像预处理
缺陷检测流水线搭…
18
检测结果可视化与用户交互
缺陷区域标注 · 置信度显示 · 统计报表生成与操作员交互界面开发
检测结果可视化
用户交互
19
系统标定与精度验证
相机标定 · 像素尺寸标定 · 检测重复性与再现性(GR&R)实验设…
系统标定
精度验证
20
检测系统性能评估指标
准确率 · 召回率 · F1分数
检测系统性能评估…
准确率
21
典型农产品实战一
苹果表面缺陷检测系统(从硬件搭建到软…
典型农产品实战一
苹果表面缺陷检测…
22
典型农产品实战二
柑橘类水果缺陷检测与分级(颜色 · 形状 · 缺陷多特征融合)
典型农产品实战二
柑橘类水果缺陷检…
23
典型农产品实战三
叶菜类蔬菜缺陷检测(形态不规则 · 重叠遮挡问题的处理)
典型农产品实战三
叶菜类蔬菜缺陷检…
24
典型农产品实战四
马铃薯/红薯表面缺陷检测(泥土 · 芽眼与真实缺陷的区分)
典型农产品实战四
马铃薯
25
检测系统的抗干扰与鲁棒性设计
光照变化 · 背景杂乱 · 农产品姿态变化等实际问题的应对策略
检测系统的抗干扰
鲁棒性设计
26
数据增强与少样本学习
针对缺陷样本稀少问题 · 应用生成对抗网络 · 数据增强与少样本学习技术
数据增强
少样本学习
27
系统集成与产线通信
与PLC · 传送带 · 分拣机构的通信协议(Modbus
系统集成
产线通信
28
检测系统现场部署与调试
环境光屏蔽 · 相机防护 · 振动处理
检测系统现场部署
调试
29
系统维护与持续改进
模型更新 · 数据回流 · 日志分析与检测系统长期稳定运行的保障…
系统维护
持续改进
30
课程综合项目与展望
完成一个完整的农产品表面缺陷视觉检测… · 总结关键技术并展望未来趋势
课程综合项目
完成一个完整的农…
所属VIP或分类
同VIP:ONNX农业识别模型导出与部署
同VIP:OpenCV农业图像预处理技术
同VIP:Python农业机器视觉快速入门