(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211173004.0 (22)申请日 2022.09.26 (71)申请人 大连大学 地址 116622 辽宁省大连市经济技 术开发 区学府大街10号 (72)发明人 裴悦琨　刘敬宇　 (74)专利代理 机构 大连智高专利事务所(特殊 普通合伙) 2123 5 专利代理师 毕进 (51)Int.Cl. G06T 7/00(2017.01) G06V 20/68(2022.01) G06V 10/40(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于改进YOLOX模型的樱桃缺陷及分级检测 方法 (57)摘要 本发明公开了一种基于改进YOLOX模型的樱 桃缺陷及分级检测方法， 首先， 采用YOL OX模型对 缺陷果进行检测， 通过为特征金字塔网络设置适 当的融合因子来提高不明显缺陷的检测精度， 并 将FocalLoss集成到损失函数中。 然后， 使用 YOLOX模型对完好果进行分级， 引入注意力机制 CBAM来加强网络特征提取。 基于上述方案， 樱桃 表面缺陷的平均检测精度为97.59％， 大小和颜 色分级的平均检测精度为95.92％。 本发明改进 后的YOLOX模型可明显提升樱桃缺陷及分级检测 的精度。 权利要求书2页 说明书8页 附图5页 CN 115496729 A 2022.12.20 CN 115496729 A 1.一种基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在于， 所述改进YOLOX 模型包含有CSPDarknet网络、 FPN特征金字塔网络以及Yolo  Head网络三个部分； 其中 CSPDarknet作为YOLOX的主干特征提取网络， FPN特征金字塔网络用以解决检测过程中的多 尺度问题， Yo lo Head网络用于特 征点判断； 所述樱桃缺陷及分级检测方法包括： 采用改进YOLOX模型对缺陷果进行检测， 为FPN特 征金字塔网络配置融合因子， 并将交叉熵损失函数Focal  Loss集成到损失函数中； 采用改 进YOLOX模型对完好 果进行分级， 引入CBAM注意力机制模块。 2.根据权利要求1所述的基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在 于， 所述CSPDarknet网络对每张输入的樱桃图片先进行resize， 将其大小变为640 ×640， 然 后通过Focus网络结构对其进行特征提取， 之后使用卷积标准化和激活函数对其通道数进 行调整， 然后通过4次Resblock  body结构进行特征提取， 在第4个Resblock  body结构中加 入SPP结构。 3.根据权利要求1所述的基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在 于， 所述FPN特 征金字塔网络特 征融合方式用下式表示： 其中finner表示通道匹配的1 ×1卷积运算； fupsample表示分辨率匹配的2 ×上采样运算； flayer表示特征处理的3×3卷积运算； α 表示融合因子 。 4.根据权利要求3所述的基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在 于， 融合因子α 取值 为0.5。 5.根据权利要求3所述的基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在 于， 所述将交叉熵损失函数 Focal Loss集成到损失函数中， 表示 为： 其中， pt表示预测样本属于1的概 率， γ表示 一可调参数， γ≥0； (1 ‑pt)γ表示调制系数。 6.根据权利要求1所述的基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在 于， 所述CBAM注意力机制 模块包含有一个通道注意力模块和一个空间注意力模块， 卷积层 输出的结果先通过一个通道注 意力模块， 得到加权结果后， 再经过一个空间注 意力模块， 最 终进行加权得到结果， 其数 学表达式为： 其中， 表示元素相乘； F表示输入的特征图； MC(F)表示通道注意力模块的输出， MS(F') 表示空间注意模块的输出； F ”表示CBAM注意力机制模块输出的特 征图。 7.根据权利要求6所述的基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在 于， 所述通道注意模块首先将输入的特征图分别经过平均池化和 最大池化操作， 然后传入权　利　要　求　书 1/2 页 2 CN 115496729 A 2一个具有共享权重的多层感知器MLP， MLP包含一个隐藏层， 相当于两个全连接层； 最后通过 一个Sigmo id激活函数获得通道 注意力图， 即通道 注意力模块的输出； 表达式为： 其中σ 表示Sigmo id激活函数， W0、 W1表示MLP的权 重， W0∈RC/r×C,W1∈RC×C/r。 8.根据权利要求7所述的基于改进YOLOX模型的樱桃缺陷及分级检测方法， 其特征在 于， 所述空间注意力模块首先在每一个特征点的通道上取最大池化和平均池化， 将这两个 结果进行一个堆叠， 生 成一个通道数为2的特征图； 再通过7 ×7的卷积将通道数减少为 1， 最 后通过一个Sigmo id激活函数 得到一个空间注意力图， 即空间注意模块的输出； 表达式为： 其中， 7×7表示卷积核的大小。权　利　要　求　书 2/2 页 3 CN 115496729 A 3