基于遷移學習的棉花識別
發(fā)布時間：2021-08-24 16:58
提高智能采棉機效率的一個重要途徑是實現(xiàn)單個、重疊和遮擋棉花的識別,避免誤采摘和漏采摘。針對不同形態(tài)棉花的識別,常規(guī)的特征提取方法難以達到令人滿意的結果,因而采用基于遷移學習的棉花識別方法和基于遷移模型的特征提取與極限學習機（extreme learning machine,ELM）相結合的方法進行棉花識別研究。首先更改AlexNet、GoogleNet、ResNet-50模型分類層和設置相關參數(shù),用訓練好的遷移模型對棉花驗證集識別,然后利用訓練好的遷移模型進行棉花數(shù)據(jù)集特征提取,再用訓練集的特征訓練ELM模型,統(tǒng)計不同隱含層神經(jīng)元個數(shù)的ELM模型對棉花的識別準確率。AlexNet、GoogleNet、ResNet-50遷移模型識別率依次為92.03%、93.19%、93.68%;使用特征提取再與ELM結合的方法,準確率比對應遷移模型分別提高了1.97、1.34、1.55百分點。結果表明,遷移模型對小樣本棉花識別也有較高準確率,基于特征提取與ELM相結合的方法可進一步提高準確率。
【文章來源】：浙江農(nóng)業(yè)學報. 2020,32(08)北大核心CSCD
【文章頁數(shù)】：9 頁
【部分圖文】：
遷移學習模型特征提取與分類器相結合的分類算法
卷積神經(jīng)網(wǎng)絡是一種前反饋神經(jīng)網(wǎng)絡,它的神經(jīng)元可響應一部分覆蓋范圍內(nèi)的周圍單元。在圖像處理方面,卷積神經(jīng)網(wǎng)絡不是對單個像素的處理,而是對每一塊像素區(qū)域進行處理,增強模型的泛化性。依次在ILSVRC(Large Scale Visual Recognition Challenge)大賽中得冠的AlexNet、GoogLeNet、ResNet-50模型的基本架構相同,其架構如圖1所示。其中卷積層具有提取圖像局部特征的功能。組成卷積核的每個元素都對應一個權重系數(shù)和一個偏差量。上一層特征經(jīng)過卷積操作后,再通過激活函數(shù)便可得到新一層的特征。每層卷積與激活過程如公式(1)所示:
ELM是由Huang等[31]提出來的求解單隱層神經(jīng)網(wǎng)絡的算法,由輸入層、隱含層、輸出層組成,層與層之間全連接,如圖2所示。輸入層通過映射矩陣w(l×n矩陣,輸入層n個神經(jīng)元,隱含層l個神經(jīng)元,wij為輸入層第i個神經(jīng)元與隱含層第j個神經(jīng)元的連接權值)與隱含層連接;隱含層通過映射矩陣β(l×m矩陣,輸出層對應m個神經(jīng)元,βjk為隱含層第j個神經(jīng)元與輸出層第k個神經(jīng)元與的連接權值)與輸出層連接。ELM只需要設置網(wǎng)絡的隱層節(jié)點個數(shù),在算法執(zhí)行過程中隨機賦值網(wǎng)絡的連接權值以及隱元的偏置,并且產(chǎn)生唯一的最優(yōu)解,具有學習速度快且泛化性能好的優(yōu)點。隱含層與輸出層的映射矩陣可以通過求解如下方程式可得:min β ‖ Ηβ- Τ ′ ‖ 。 (4)
【參考文獻】：
期刊論文
[1]基于遷移學習的樹種識別[J]. 高旋,趙亞鳳,熊強,陳喆. 森林工程. 2019(05)
[2]機采棉中殘地膜靜電吸附法分級去除[J]. 王巧華,翁富炯,張洪洲,袁成,李理. 農(nóng)業(yè)機械學報. 2019(06)
[3]基于深度學習和遷移學習的水果圖像分類[J]. 廉小親,成開元,安颯,吳葉蘭,關文洋. 測控技術. 2019(06)
[4]基于遷移學習的番茄病蟲害檢測[J]. 柴帥,李壯舉. 計算機工程與設計. 2019(06)
[5]基于遷移學習的番茄葉片病害圖像分類[J]. 王艷玲,張宏立,劉慶飛,張亞爍. 中國農(nóng)業(yè)大學學報. 2019(06)
[6]基于樹木整體圖像和集成遷移學習的樹種識別[J]. 馮海林,胡明越,楊垠暉,夏凱. 農(nóng)業(yè)機械學報. 2019(08)
[7]基于深度學習的農(nóng)作物病害圖像識別技術進展[J]. 王彥翔,張艷,楊成婭,孟慶龍,尚靜. 浙江農(nóng)業(yè)學報. 2019(04)
[8]基于深度學習的快速植物圖像識別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君. 華東理工大學學報(自然科學版). 2018(06)
[9]基于遷移學習的類別級物體識別與檢測研究與進展[J]. 張雪松,莊嚴,閆飛,王偉. 自動化學報. 2019(07)
[10]基于遷移學習的卷積神經(jīng)網(wǎng)絡植物葉片圖像識別方法[J]. 鄭一力,張露. 農(nóng)業(yè)機械學報. 2018(S1)
碩士論文
[1]基于深度學習的紅棗缺陷識別技術研究[D]. 海潮.鄭州大學 2019
[2]基于深度學習的植物葉片識別方法研究[D]. 曹鳳蓮.重慶大學 2017
本文編號：3360375
【文章來源】：浙江農(nóng)業(yè)學報. 2020,32(08)北大核心CSCD
【文章頁數(shù)】：9 頁
【部分圖文】：
遷移學習模型特征提取與分類器相結合的分類算法
卷積神經(jīng)網(wǎng)絡是一種前反饋神經(jīng)網(wǎng)絡,它的神經(jīng)元可響應一部分覆蓋范圍內(nèi)的周圍單元。在圖像處理方面,卷積神經(jīng)網(wǎng)絡不是對單個像素的處理,而是對每一塊像素區(qū)域進行處理,增強模型的泛化性。依次在ILSVRC(Large Scale Visual Recognition Challenge)大賽中得冠的AlexNet、GoogLeNet、ResNet-50模型的基本架構相同,其架構如圖1所示。其中卷積層具有提取圖像局部特征的功能。組成卷積核的每個元素都對應一個權重系數(shù)和一個偏差量。上一層特征經(jīng)過卷積操作后,再通過激活函數(shù)便可得到新一層的特征。每層卷積與激活過程如公式(1)所示:
ELM是由Huang等[31]提出來的求解單隱層神經(jīng)網(wǎng)絡的算法,由輸入層、隱含層、輸出層組成,層與層之間全連接,如圖2所示。輸入層通過映射矩陣w(l×n矩陣,輸入層n個神經(jīng)元,隱含層l個神經(jīng)元,wij為輸入層第i個神經(jīng)元與隱含層第j個神經(jīng)元的連接權值)與隱含層連接;隱含層通過映射矩陣β(l×m矩陣,輸出層對應m個神經(jīng)元,βjk為隱含層第j個神經(jīng)元與輸出層第k個神經(jīng)元與的連接權值)與輸出層連接。ELM只需要設置網(wǎng)絡的隱層節(jié)點個數(shù),在算法執(zhí)行過程中隨機賦值網(wǎng)絡的連接權值以及隱元的偏置,并且產(chǎn)生唯一的最優(yōu)解,具有學習速度快且泛化性能好的優(yōu)點。隱含層與輸出層的映射矩陣可以通過求解如下方程式可得:min β ‖ Ηβ- Τ ′ ‖ 。 (4)
【參考文獻】：
期刊論文
[1]基于遷移學習的樹種識別[J]. 高旋,趙亞鳳,熊強,陳喆. 森林工程. 2019(05)
[2]機采棉中殘地膜靜電吸附法分級去除[J]. 王巧華,翁富炯,張洪洲,袁成,李理. 農(nóng)業(yè)機械學報. 2019(06)
[3]基于深度學習和遷移學習的水果圖像分類[J]. 廉小親,成開元,安颯,吳葉蘭,關文洋. 測控技術. 2019(06)
[4]基于遷移學習的番茄病蟲害檢測[J]. 柴帥,李壯舉. 計算機工程與設計. 2019(06)
[5]基于遷移學習的番茄葉片病害圖像分類[J]. 王艷玲,張宏立,劉慶飛,張亞爍. 中國農(nóng)業(yè)大學學報. 2019(06)
[6]基于樹木整體圖像和集成遷移學習的樹種識別[J]. 馮海林,胡明越,楊垠暉,夏凱. 農(nóng)業(yè)機械學報. 2019(08)
[7]基于深度學習的農(nóng)作物病害圖像識別技術進展[J]. 王彥翔,張艷,楊成婭,孟慶龍,尚靜. 浙江農(nóng)業(yè)學報. 2019(04)
[8]基于深度學習的快速植物圖像識別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君. 華東理工大學學報(自然科學版). 2018(06)
[9]基于遷移學習的類別級物體識別與檢測研究與進展[J]. 張雪松,莊嚴,閆飛,王偉. 自動化學報. 2019(07)
[10]基于遷移學習的卷積神經(jīng)網(wǎng)絡植物葉片圖像識別方法[J]. 鄭一力,張露. 農(nóng)業(yè)機械學報. 2018(S1)
碩士論文
[1]基于深度學習的紅棗缺陷識別技術研究[D]. 海潮.鄭州大學 2019
[2]基于深度學習的植物葉片識別方法研究[D]. 曹鳳蓮.重慶大學 2017
本文編號：3360375
本文鏈接：http://sikaile.net/wenshubaike/shenghuobaike/3360375.html
