{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,20]]，“日期-时间”：“2024-09-20T17:03:08Z”，“时间戳”：1726851788816}，“引用-计数”：43，“发布者”：“MDPI AG”，“问题”：“18”，“许可证”：[{“开始”:{“日期-零件”：[2023,9,14]]，“时间”：2023-09-14T00:00:00Z“，”时间戳“：1694649600000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“国家恢复和恢复计划”}，{“名称”：“欧盟\u2013NextGenerationEU”，“奖项”：[“PE00000003”]}，“名称”:“意大利大学和研究部”，“奖”：[”CUP D93C22000890001“]}]，”content-domain：{“域”：[]，“crossmark-restriction”：false}，“short-container-title”：[“Sensors”]，“abstract”：“苹果缺陷分割是农业生产中质量控制和食品安全的重要任务。在本文中，我们提出了一种深度学习方法，用于使用卷积神经网络（CNN）自动分割苹果缺陷，该网络基于仅在降噪块内具有跳过连接的U形结构。设计了一种特殊的数据合成技术，以增加样本数，同时减少神经网络过拟合。我们在多光谱苹果图像数据集上评估了我们的模型，并对几种类型的缺陷进行了像素级注释。在本文中，我们表明，我们的建议在分割精度方面优于通常用于分割任务的通用深度学习体系结构。从应用的角度出发，改进了以往的苹果缺陷分割方法。计算成本的度量表明，我们的建议可以用于实时（GPU上约为100帧/秒）和准实时（CPU上约为7/8帧/秒的）基于视觉的苹果检测。为了进一步提高该方法的适用性，我们研究了仅使用RGB图像而非多光谱图像作为输入图像的潜力。结果表明，这种情况下的精度与多光谱情况几乎相当<\/jats:p>“，”DOI“：”10.3390\/s23187893“，”type“：”journal-article“，”created“：{”date-parts“：[[2023,9,15]]，”date-time“：”2023-09-15T08:06:13Z“，”timestamp“：1694765173000}，”page“：：“23”，“作者”：[{“ORCID”：“http:\/\/orcid.org\/00000-0002-0009-8007“，”authenticated-orcid“：false，”given“：”Mirko“，”family“：”Agarla“，”sequence“：”first“，”affiliation“：[{”name“：”Dipartimento di Informatica，Sistemistica e Comunicazione，University\u00e0 Milano-Bicca，20126 Milano，Italy“}]}，{”orcid“：“http://\orcid.org\/000-0001-9112-0574”，”authorited-orcid:false，“给定”：“Paolo“，“family”：“Napoletano”，“sequence”：“additional”，“affiliation”：[{“name”：“Dipartitmento di Informatica，Sistemistica e Comunicazione，University\u00e0 Milano-Biocca，20126 Milano，Italy”}]}，{“ORCID”：“http://\ORCID.org\/00000-0001-7461-1451”，“authenticated-ORCID”：false，“give”：“Raimondo”，“faily”：”Schettini“，”sequence“：”additional“，”从属关系“：[{“name”：“Dipartitmento di Informatica，Sistemistica e Comunicazione，University\u00e0 Milano-Biocca，20126 Milano，Italy”}]}]，“member”：“1968”，“published-online”：{“date-parts”：[[2023,9,14]]}，“reference”：[{key：“ref_1”，“doi-asserted-by”：“crossref”，”first page“：”51“，“doi”：“10.1186\/s40066-017-0130-8”，“文章标题”：“食品保存和加工的机制和商业方面综述”，“卷”：“6”，“作者”：“Amit”，“年份”：“2017”，“期刊标题”：“Agric。食品安全。“}，{”key“：”ref_2“，”doi-asserted-by“：”crossref“，”first page“：“107789”，”doi“：”10.1016\/j.compag.2023.107789“，”article-title“：”新苹果田间分选系统对果实成熟、旋转和成像的评价“，”volume“：“：”crossref“，”first page“：”60“，”DOI“：”10.1016\/j.biosystemseng.2019.11.011“，”article-title“：”机器学习在园艺产品无损检测中的应用“，”volume“：“189”，”author“：”Nturambirwe“，“year”：“2020”，”journal-title”：“Biosyst”。工程“}，{”key“：”ref_4“，”doi-asserted-by“：”crossref“，”first page“：“353”，”doi“：”10.1007\/s12393-022-09307-1“，”article-title“：”使用机器视觉系统和图像处理检测水果和蔬菜中的缺陷“，”volume“：参考“，”非结构化”：“Guin\u00e9，R.P.，Floren\u00e7a，S.G.，Barroca，M.J.和Anjos，O.（2020）。消费者与食品开发创新之间的联系。食品，9.“，”DOI“：”10.3390\/foods9091317“}，{“key”：“ref_6”，“DOI-asserted-by”：“crossref”，“unstructured”：“Carvalho，R.，Nascimento，R.、D\u2019Angelo，T.，Delabrida，S.，GC Bianchi，A.，Oliveira，R.A.，Azp\u00farua，H.，and Uzeda Garcia，L.G.（2020）基于无人机的框架，用于对采矿业中的带式输送机进行半自动热像检测。Sensors，20.“，”DOI“：”10.3390\/s20082243“}，{“key”：“ref_7”，“unstructured”：“Anjali，N.，Kannan，R.，Andres，F.，and Ghinea，G.（2023，2008年9月）。《与水果和蔬菜缺陷检测相关的趋势评论》。在线阅读：https:\/\/www.prepints.org\/proscript\/202111.0035\/v1.”}F.S.分部（2023年9月8日）。法奥斯塔。在线获取：https:\/\/www.fao.org\/faostat\/en\/#data\/QCL。“}，{”key“：”ref_9“，”first-page“：”25“，”article-title“：”苹果果实病害检测与分类调查“，”volume“：“130”，”author“：”Samajpati“，”year“：”2015“，”journal-title”：“Int.J.Compute.Appl.”}，“key”：“#cr-split#-ref_10.1”，“unstructured”：“European Commission（20042004年1月15日（EC）第85\/2004号，关于苹果营销标准。Off.J.Eur.Union L，13，3-18.“}，{“key”：“ref_11”，“doi asserted by”：“crossref”，“首页”：“62”，“doi”：“10.1016\/J.foodeng.2014.09.002”，“文章标题”：“开发用于在线检测苹果瘀伤的多光谱成像系统”，“卷”：“146”，“作者”：“Huang”，“年份”：“2015”，“期刊标题”：“J.Food Eng.”}，{“key”：“ref_12”，“doi-asserted-by“：”crossref“，”unstructured“：”Agarla，M.，Bianco，S.，Buzzelli，M.、Celona，L.和Schettini，R.（2022201324年1月18日）。快速N压缩：从RGB图像实现实时光谱重建。IEEE计算机视觉和模式识别会议记录，美国路易斯安那州新奥尔良”，“DOI”：“10.1109”，“CVPRW56347.2022.00122”}，{“key”：“ref_13”，“DOI-asserted-by”：“crossref”，”first page“：”175“，”DOI“：”10.1016\/S0925-5214（00）00130-7“，”article-title“：”可见-近红外光谱法测量猕猴桃（Actinidia chinensis）内部特性的反射率、相互作用和透射模式比较”，“体积”：“20”，“作者”：“Schaare”，“年份”：“2000”，“期刊标题”：“采后生物学”。Technol公司。“}，{”key“：”ref_14“，”unstructured“：”Rahi，S.、Mobli，H.和Jamshidi，B.（2018年1月4日\u20135）。无损食品微生物评估的光谱学和光谱成像技术。伊朗德黑兰第五届伊朗国际无损检测会议论文集。“}”，{“key”：“ref_15”，“首页”：“380”，“article-title”：“基于高光谱成像技术的大豆花叶病分级方法“，”卷“：”8“，”作者“：”桂“，”年份“：”2021“，”期刊标题“：”Inf.Process。农业。“}，{”key“：”ref_16“，”doi-asserted-by“：”crossref“，”first-page“：”67“，”doi“：”10.1016\/j.jspr.2014.10.001“，”article-title“：”基于图像特征识别和消除受损大豆种子“，”volume“：，“首页”：“41“，”DOI“：”10.1016\/j.jfoodeng.2004.07.008“，”article-title“：”苹果缺陷检测多光谱视觉系统的开发“，”volume“：”69“，”author“：”Kleynen“，”year“：”2005“，”journal-title”：“j.Food Eng.”}，{“key”：“ref_18”，“DOI-asserted-by”：“crossref”，“first page”：”29“，”DOI“：“10.1016\/j.compag.2013.02.009”，“文章标题”：“使用支持向量机和Otsu\u2019s方法进行苹果分类和分级的图像分割方法”，“卷”：“94”，“作者”：“水岛”，“年份”：“2013”，“期刊标题”：“计算”。电子。农业。“}，{”key“：”ref_19“，”doi-asserted-by“：”crossref“，”first-pages“：”271“，”doi“：”10.1016\/j.postharvbio.2006.06.010“，”article-title“：”多光谱图像上\u2018Jonagold\u2019苹果的缺陷自动分割：比较研究“，”volume“：“42”，“author”：“Unay”，“year”：“2006”，“journal-title”：“Post-facture Biol.Technol.”}，}“key”：“ref _20“，”doi-asserted-by“：”crossref“，”first page“：”611“，”doi“：”10.1007\/s13244-018-0639-9“，“article-title”：“卷积神经网络：放射学中的概述和应用”，“volume”：“9”，“author”：“Yamashita”，“year”：“2018”，“journal-title“：”Insights Imaging“}，{“key”：”ref_21“，“doi-assert-by”：“Crosref”，“unstructured”：“Taye，M.M.（2023）卷积神经网络的理论理解：概念、架构、应用、未来方向。计算，11.“，”DOI“：”10.3390\/compulation11030052“}，{“key”：“ref_22”，“DOI-asserted-by”：“crossref”，“first page”：”389“，“DOI”：“10.1016\/j.compbiomed.2017.08.022”，“article-title”：“用于分类心跳的深度卷积神经网络模型”，“volume”：：“89”，“author”：“Acharya”，”“year”：“2017”，“journal-title“：”Compute.Biol.Med.“}，{“键”：“参考23”，“doi-asserted-by“：”crossref“，”first page“：”16618“，”doi“：”10.1038\/s41598-021-96103-2“，”article-title“：”基于卷积神经网络的图像处理对苹果质量的识别和分类“，”volume“：“11”，”author“：”Li“，“year”：“2021”，“journal-title”：“Sci”。代表“}，{”key“：”ref_24“，”doi-asserted-by“：”crossref“，”first page“：“110102”，”doi“：”10.1016\/j.jfoodeng.2020.110102“，”article-title“：”使用计算机视觉系统结合深度学习方法在线检测缺陷苹果“，”volume“：：“crossref“，”first page“：”244“，”DOI“：”10.1016\/j.neucom.2020.05.070“，”article-title“：”医学图像分割中U形网络的调查“，”volume“：“409”，”author“：”Liu“，”year“：”2020“，”journal-title”：“Neurocomputing”}，{“key”：“ref_26”，“DOI-asserted-by”：“crossref”，“first pages”：“38833”，“DOI”：“10.1109\/ACCESC.2020.297424 62“，”文章标题“：”基于FCM-NPGA和多元图像分析的苹果缺陷检测”，“卷”：“8”，“作者”：“张”，“年份”：“2020年”，“期刊标题”：“IEEE Access”}，{“关键”：“ref_27”，“首页”：“33”，“文章标题”：”基于计算机视觉的金冠苹果基于表面特征的分级“，卷：“4”，“作家”：“Moallem”，“年度”：“2017”，“journal-title“：”信息处理。农业。“}，{”key“：”ref_28“，”doi-asserted-by“：”crossref“，”first page“：“1831”，”doi“：”10.13031\/trans.12930“，”article-title“：”使用结构光反射成像和机器学习算法检测苹果的表面和次表面缺陷“，”volume“：doi-asserted-by“：”crossref“，”first page“：”7857“，”doi“：”10.1007\/s11042-019-08564-3“，”article-title“：”计算机视觉和多光谱成像单色和双色苹果的质量评估“，”volume“：“79”，”author“：”Bhargava“，“year”：“2020”，“journal-title”：“Multimed”。工具应用程序。“｝，｛”key“：”ref_30“，”doi asserted by“：”crossref“，”首页“：”106715“，”doi“：”10.1016\/j.com.pag.2022.106715“，”文章标题“：”使用基于修剪的YOLOV4网络的近红外相机对苹果分拣进行实时缺陷检测“，”volume“：”193“，”author“：”Fan“，”year“：”2022“，”期刊标题“：”Comput.Electron.Agric.“｝，｛”key“：”ref_31“，”doi asserted by“：”crossref“，“首页”：“129”，“DOI”：“10.1016\/j.compag.2009.09.014”，“article-title”：“利用三色摄像机系统进行苹果缺陷的在线检测”，“volume”：“70”，“author”：“Yanshao”，“year”：“2010”，“journal-title“：”Compute。电子。农业。“}，{”key“：”ref_32“，”doi-asserted-by“：”crossref“，”first page“：“77”，”doi“：”10.1016\/0168-1699（95）00038-0“，“article-title”：“使用活动轮廓模型进行准确瑕疵检测”，“volume”：“14”，“author”：“Yang”，“year”：“1996”，“journal-title“：”Compute.Electron.Agric.“}”，{“key”：”ref.33“，”“unstructured”：“”Ronneberger，O.、Fischer，P.和Brox，T.（2015年1月5日，20139）。U-net：生物医学图像分割的卷积网络。医学图像计算和计算机辅助干预会议录2013MICCAI 2015：第18届国际会议，德国慕尼黑。论文集，第三部分18.“}，{”key“：”ref_34“，”unstructured“：”Zhou，Z.，Rahman Siddiquee，M.M.，Tajbakhsh，N.，and Liang，J.（2018）。《医学图像分析的深度学习和临床决策支持的多模态学习》，Springer。“}”，{“key”：“ref_35”，“doi-asserted-by”：“crossref”，“unstructure”：“赵浩、石杰、齐小新、王小新和贾杰（2017年1月21日\u201326）。金字塔场景解析网络。IEEE计算机视觉和模式识别会议论文集，美国夏威夷州火奴鲁鲁”，“DOI”：“10.1109\/CVPR.2017.660”}，{“key”：“ref_36”，“unstructured”：“Chen，L.C.，Papandreou，G.，Schroff，F.，and Adam，H非结构化”：“Li，H.，Xiong，P.，An，J.，and Wang，L.（2018）。语义分割的金字塔注意网络。arXiv公司。“}，{”key“：”ref_38“，”doi-asserted-by“：”crossref“，”first-page“：”103911“，”doi“：”10.1016\/j.compind.2023.103911“，”article-title“：”基于CNN的深度视觉缺陷检测：当前文献综述“，”volume“：，“非结构化”：“Agala，M.、Celona，L.和Schettini，R.（2021）。一种有效的无参考视频质量评估方法。J.Imaging，7.“，”DOI“：”10.3390\/jimaging7030055“}，{“key”：“ref_40”，“DOI-asserted-by”：“crossref”，“unstructured”：“Abraham，N.，and Khan，N.M.（2019年1月8日\u201311）。一种新的局灶tversky丧失功能，改进了病灶分割的注意力u-net。2019年IEEE第16届国际生物医学成像研讨会（ISBI 2019）论文集意大利威尼斯。“，”DOI“：”10.1109\/ISBI.2019.8759329“}，{”key“：”ref_41“，”DOI-asserted-by“：”crossref“，”unstructured“：”Jadon，S.（2020年1月27日\u201329）。语义分段损失函数调查。2020年IEEE生物信息学和计算生物学计算智能会议论文集，智利Vi\u00f1a del Mar。“，”10.1109\/CIBCB48159.2020.9277638“}，{“key”：“ref_42”，“doi-asserted-by”：“crossref”，“first-page”：“29”，“doi”：“10.1186\/s12880-015-0068-x”，“article-title”：“评估3D医学图像分割的指标：分析、选择和工具”，“volumes”：“15”，“author”：“Taha”，“year”：“2015”，“journal-title“：”BMC Med.Imaging“}]，“container-title“传感器”]，“original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\\/www.mdpi.com\/1424-8220\/23\/18\/7893\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2023,9,15]]，”date-time“：“2023-09-15T08:26Z”，”timestamp“：1694766386000}，“score”（分数）：1，“resource”（资源）：{“primary”（主资源）：}“URL”（URL）：“https:\/\/www.mdpi.com\/1424-8220\/23\/18\/7893“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[2023,9,14]]}，“参考计数”：43，“日志发布”：{“发布”：“18”，“在线发布”：}“日期部分”：[[2023,9]]}}、“替代id”：[“s23187893”]，“URL”：“http://\”/dx.doi.org \/10.3390 \/s23187893“，”关系“：{}，”ISSN“：[”1424-8220“]，”ISSN-type“：[{”value“：“1424-8220”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2023,9,14]]}}