不同形式的機(jī)械損傷對(duì)蓖麻種子發(fā)芽生長(zhǎng)和榨油后的蓖麻油質(zhì)量影響不同,因此對(duì)產(chǎn)生機(jī)械損傷的蓖麻種子進(jìn)行識(shí)別分類非常重要。提出了基于卷積神經(jīng)網(wǎng)絡(luò)的蓖麻種子損傷分類算法。以種殼缺失、裂紋和完整蓖麻種子（無損傷）的分類為例,構(gòu)建了蓖麻種子訓(xùn)練集和測(cè)試集,搭建2個(gè)卷積層（每個(gè)卷積層8個(gè)卷積核）、2個(gè)池化層和1個(gè)全連接層（128個(gè)節(jié)點(diǎn)）,實(shí)現(xiàn)分類。為提高分類的準(zhǔn)確性和實(shí)時(shí)性,調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)以及優(yōu)化批量尺寸參數(shù),得到較優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)和批量尺寸;利用上下左右翻轉(zhuǎn)擴(kuò)充樣本,改變優(yōu)化器、學(xué)習(xí)率以及正則化系數(shù)對(duì)該網(wǎng)絡(luò)進(jìn)行組合試驗(yàn),獲得準(zhǔn)確率及效率較優(yōu)的組合。通過Dropout優(yōu)化減小卷積神經(jīng)網(wǎng)絡(luò)模型的過擬合。試驗(yàn)結(jié)果表明:卷積層為5層、池化層為5層、批量尺寸為32時(shí),該網(wǎng)絡(luò)模型平均測(cè)試準(zhǔn)確率為92.52%。在組合試驗(yàn)中,Sgdm優(yōu)化器更新網(wǎng)絡(luò)可以提高網(wǎng)絡(luò)的分類性能;數(shù)據(jù)擴(kuò)增可以增加樣本的多樣性,減小過擬合現(xiàn)象;通過Dropout優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)模型的過擬合;選擇學(xué)習(xí)率為0.01,正則化系數(shù)為0.000 5時(shí),模型分類準(zhǔn)確率達(dá)到94.82%,其中種殼缺失蓖麻種子準(zhǔn)確率為95.60%,裂紋蓖麻種子準(zhǔn)確率為93.33%... 

【文章來源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(S1)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

不同類型蓖麻種子圖像

卷積神經(jīng)網(wǎng)絡(luò)模型圖

選擇合適數(shù)量的卷積層和池化層可以提高CNN模型分類精度，如果模型中含有的卷積層過少，模型無法獲得蓖麻種子缺陷圖像的本質(zhì)特征;如果設(shè)計(jì)過多卷積層和池化層來提取圖像特征，則會(huì)導(dǎo)致過度擬合。本文對(duì)動(dòng)量隨機(jī)梯度下降(Stochastic gradient descent with momentum,Sgdm)和自適應(yīng)矩估計(jì)優(yōu)化器(Adam) 2個(gè)優(yōu)化器下的不同卷積層對(duì)分類模型準(zhǔn)確率的影響進(jìn)行比較，將卷積層從2層增加到7層，池化層從2層增加到7層，研究卷積、池化層數(shù)對(duì)準(zhǔn)確率影響。由圖3可知，在兩個(gè)優(yōu)化器下，卷積層和池化層為5層時(shí)，測(cè)試準(zhǔn)確率最高。因此，本文選擇卷積層和池化層為5層時(shí)，進(jìn)行組合試驗(yàn)。2.2 批量尺寸對(duì)模型的影響

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的油茶籽完整性識(shí)別方法[J]. 謝為俊,丁冶春,王鳳賀,魏碩,楊德勇.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(07)
[2]基于遷移學(xué)習(xí)的棉花葉部病蟲害圖像識(shí)別[J]. 趙立新,侯發(fā)東,呂正超,朱慧超,丁筱玲.  農(nóng)業(yè)工程學(xué)報(bào). 2020(07)
[3]基于CNN的小麥籽粒完整性圖像檢測(cè)系統(tǒng)[J]. 祝詩平,卓佳鑫,黃華,李光林.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(05)
[4]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別[J]. 許景輝,邵明燁,王一琛,韓文霆.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[5]采用機(jī)器視覺與自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)花生仁品質(zhì)[J]. 張思雨,張秋菊,李可.  農(nóng)業(yè)工程學(xué)報(bào). 2020(04)
[6]改進(jìn)Faster-RCNN自然環(huán)境下識(shí)別刺梨果實(shí)[J]. 閆建偉,趙源,張樂偉,蘇小東,劉紅蕓,張富貴,樊衛(wèi)國,何林.  農(nóng)業(yè)工程學(xué)報(bào). 2019(18)
[7]基于改進(jìn)YOLOv3-LITE輕量級(jí)神經(jīng)網(wǎng)絡(luò)的柑橘識(shí)別方法[J]. 呂石磊,盧思華,李震,洪添勝,薛月菊,吳奔雷.  農(nóng)業(yè)工程學(xué)報(bào). 2019(17)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的中國北方冬小麥遙感估產(chǎn)[J]. 周亮,慕號(hào)偉,馬海姣,陳高星.  農(nóng)業(yè)工程學(xué)報(bào). 2019(15)
[9]多類農(nóng)田障礙物卷積神經(jīng)網(wǎng)絡(luò)分類識(shí)別方法[J]. 薛金林,閆嘉,范博文.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(S1)
[10]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)植物葉片圖像識(shí)別方法[J]. 鄭一力,張露.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(S1)



本文編號(hào)：3467437