【摘要】：隨著人們生活水平的不斷提高,消費(fèi)者對水果的品級越發(fā)重視。然而水果采摘后的商品化處理水平低成為制約國內(nèi)水果附加值以及國際市場競爭力的主要因素。實現(xiàn)水果品級的準(zhǔn)確自動分級已成為國內(nèi)水果行業(yè)現(xiàn)代化的前提條件。青梅作為一種具有多重保健功能的藥食資源,深受廣大群眾的喜歡。為了避免人工分揀模式性能受到操作人員經(jīng)驗、責(zé)任心等主觀因素影響,基于機(jī)器視覺的水果品級認(rèn)知成為當(dāng)前水果分級的主要技術(shù)。針對監(jiān)督學(xué)習(xí)認(rèn)知方法中存在水果樣本標(biāo)定困難、固定特征空間充分表征和分類器泛化能力不足、認(rèn)知結(jié)果后驗統(tǒng)計的缺陷,模仿人類反復(fù)推敲比對信息交互認(rèn)知模式,本文基于深度學(xué)習(xí)探索了一種具有認(rèn)知結(jié)果熵測度指標(biāo)約束的青梅品級半監(jiān)督智能認(rèn)知方法,以期提高青梅品級的識別率。本文的主要工作如下:(1)基于協(xié)同訓(xùn)練的半監(jiān)督學(xué)習(xí)機(jī)制標(biāo)定具有強(qiáng)信度的無標(biāo)簽青梅圖像樣本,擴(kuò)充訓(xùn)練青梅圖像樣本集,構(gòu)建具有充分表征性的自適應(yīng)架構(gòu)卷積神經(jīng)網(wǎng)絡(luò),建立青梅圖像由局部到全局的多層面充分表征特征空間。(2)引入青梅品級圖像的決策屬性信息,基于變精度粗糙集理論,在有限論域不確定條件下,從信息論角度建立訓(xùn)練青梅品級多層面充分表征特征空間的認(rèn)知智能決策信息系統(tǒng)模型。設(shè)計具有萬局逼近能力的隨機(jī)配置網(wǎng)絡(luò)模式分類器,構(gòu)建多層面簡約特征空間的分類準(zhǔn)則。(3)構(gòu)建青梅品級認(rèn)知誤差熵測度表征,針對后驗統(tǒng)計無法實時評測認(rèn)知結(jié)果的缺陷,基于廣義誤差和廣義熵理論,定義了一種青梅品級不確定認(rèn)知結(jié)果的認(rèn)知誤差潛在語義熵測度指標(biāo),實時量測青梅品級不確定認(rèn)知結(jié)果的可信度,為智能反饋認(rèn)知的運(yùn)行機(jī)制提供量化依據(jù)。(4)基于不確定認(rèn)知結(jié)果誤差熵測度指標(biāo)約束條件,構(gòu)建青梅品級的特征空間調(diào)節(jié)機(jī)制,自尋優(yōu)調(diào)節(jié)內(nèi)層認(rèn)知特征效能、中間層認(rèn)知特征層級以及外層無標(biāo)簽樣本置信度,更新青梅品級多層面特征空間、分類準(zhǔn)則和標(biāo)定的無標(biāo)簽樣本集,對可信度低的青梅圖像樣本進(jìn)行品級再認(rèn)知。為了驗證所提出的青梅品級半監(jiān)督智能認(rèn)知模型的優(yōu)越性,本文選取5400幅青梅圖像作為樣本庫,采用MATLAB仿真對本文方法的有效性和可行性進(jìn)行了驗證。實驗結(jié)果表明,本文所提出的方法平均識別率達(dá)到98.32%,較其他認(rèn)知方法的性能更優(yōu)。
【圖文】：

圖 2.4 CNN 的結(jié)構(gòu)示意圖Fig 2.4 Schematic diagram of CNN濾波器感知我們輸入的圖像并且可以感知圖像的整個范圍。在輸出的特征圖中，它所有的神經(jīng)元共享權(quán)值對參數(shù)的減少，使得網(wǎng)絡(luò)結(jié)構(gòu)的簡化效果非常明顯，有效地提高了網(wǎng)絡(luò)模型的訓(xùn)練效率以及分類器的處理速度。在我們特征提取的過程中，往往使用多個濾波器對樣本圖像進(jìn)行特征提取，這樣使得我們提取的特征具有可靠性。濾波器的參數(shù)都是通過反向傳播的方法進(jìn)行不斷的更新而獲得最優(yōu)的參數(shù)。神經(jīng)元輸入值求取的過程與卷積運(yùn)算的原理十分相似，因此卷積層的功能就是對特征輸入通過核函數(shù)進(jìn)行卷積運(yùn)算。卷積運(yùn)算的過程如圖 2.5 所示，卷積運(yùn)算指先用一個固定大小的 的窗口從輸入圖像的左上角開始與這個窗口對應(yīng)相乘再相加將窗口向右移動一個步長，該步長可由程序設(shè)定，再次進(jìn)行與前面相同的相乘再相加的操作直到該窗口遍歷整個圖像，就可以重新獲得一張新的圖像。卷積層的作用其實就是對圖像樣本進(jìn)行濾波操作，獲得局部特征信息。假設(shè)我們輸入一張圖像 ，表示為 ，為一張彩色圖像，，有三個通道。其中， 表示矩陣的個數(shù)，其中 代表矩陣也就是特征圖，輸出結(jié)果

圖 2.5 卷積層的過程操作圖Fig. 2.5 Convolution layer process operation模型在分類方面往往無法滿足我們的需求，因此用加入非線性的因子，提高我們網(wǎng)絡(luò)的分類表達(dá)細(xì)介紹。種常見的激活函數(shù)，它可以很容易的抑制誤差的函數(shù)曲線如圖 2.6 所示。它是一種非線性函數(shù)以表示為： ( ) ′( ) ( ) ( )( ( )) 1
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP18;TP391.41;TS255.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳克瓊;王建平;李帷韜;趙麗欣;;基于變粒度仿反饋機(jī)制的回轉(zhuǎn)窯燒成狀態(tài)智能認(rèn)知方法[J];模式識別與人工智能;2015年11期

2 陶華偉;趙力;奚吉;虞玲;王彤;;基于顏色及紋理特征的果蔬種類識別方法[J];農(nóng)業(yè)工程學(xué)報;2014年16期

3 孫海霞;張淑娟;薛建新;周靖博;;基于機(jī)器視覺和光譜技術(shù)水果分級的研究進(jìn)展[J];農(nóng)機(jī)化研究;2014年01期

4 周志華;;基于分歧的半監(jiān)督學(xué)習(xí)[J];自動化學(xué)報;2013年11期

5 范玉華;秦世引;;基于潛在語義分析的場景分類優(yōu)化決策方法[J];計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報;2013年02期

6 陳昊;楊俊安;莊鎮(zhèn)泉;;變精度粗糙集的屬性核和最小屬性約簡算法[J];計算機(jī)學(xué)報;2012年05期

7 張建華;祁力鈞;冀榮華;袁雪;李慧;;基于Gabor小波和顏色矩的棉花盲椿象分類方法[J];農(nóng)業(yè)工程學(xué)報;2012年01期

8 朱江麗;田緒順;李景彬;邵魯浩;坎雜;;紅棗自動分級技術(shù)的研究現(xiàn)狀及展望[J];安徽農(nóng)業(yè)科學(xué);2011年36期

9 孟大偉;;基于紋理信息的水果圖像識別方法仿真研究[J];計算機(jī)仿真;2011年12期

10 劉仰龍;王從慶;高玨;許榮華;;基于小波描述子的水果果形分類[J];浙江大學(xué)學(xué)報(農(nóng)業(yè)與生命科學(xué)版);2010年03期

相關(guān)博士學(xué)位論文 前1條

1 黃秀玲;基于ANN和單攝像頭三像同步獲取技術(shù)的蘋果自動分級系統(tǒng)研究[D];南京林業(yè)大學(xué);2013年

本文編號：2627186