作物表型調(diào)查是作物品種選育過程中的一項關(guān)鍵工作。傳統(tǒng)表型調(diào)查主要依靠人力,使得表型調(diào)查的結(jié)果難以達(dá)到自動化、高精度、高可靠性的要求。在大豆的表型調(diào)查中,對豆莢類別的正確識別是豆莢個數(shù)、長度和寬度等表型準(zhǔn)確提取的關(guān)鍵和前提。本文針對成熟期大豆豆莢的圖片,通過利用深度學(xué)習(xí)遷移5種不同的網(wǎng)絡(luò)模型[AlexNet、VggNet （Vgg16, Vgg19）、GoogleNet、ResNet-50],對一粒莢、二粒莢、三粒莢、四粒莢進(jìn)行識別。為提高訓(xùn)練速度和準(zhǔn)確率,本試驗微調(diào)模型,選擇不同的優(yōu)化器（SGD、Adam）對網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。結(jié)果表明,在針對豆莢辨識問題中,Adam的性能優(yōu)于SGD,而Vgg16網(wǎng)絡(luò)模型搭配Adam優(yōu)化器,豆莢類別的測試準(zhǔn)確率達(dá)到了98.41%,在所選的網(wǎng)絡(luò)模型中體現(xiàn)了最佳的性能。在十折交叉驗證試驗中也體現(xiàn)了Vgg16網(wǎng)絡(luò)模型具有良好的穩(wěn)定性。因此本研究認(rèn)為Vgg16網(wǎng)絡(luò)模型可以應(yīng)用到實際的豆莢識別中,為進(jìn)一步實現(xiàn)豆莢表型自動提取提供一條重要的解決途徑。 

【文章來源】：作物學(xué)報. 2020,46(11)北大核心CSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

數(shù)據(jù)增強(qiáng)

Alex Net是由Hinton和他的學(xué)生Krizhevsky在2012年ILSVRC大賽上提出的深度卷積神經(jīng)網(wǎng)絡(luò)模型,在圖像分類上top-5錯誤率為15.3%,獲得該屆大賽的冠軍[15]。Alex Net網(wǎng)絡(luò)模型包含65,000個神經(jīng)元、5個卷積層、3個全連接層和1個softmax分類器。前7層都包含Relu激活函數(shù),第1層、第2層、第5層運用最大池化保留最大特征值來降低圖片大小、減小參數(shù)。Dropout是降低過擬合很好的措施[26],因此在前2個全連接層中也加入Dropout來降低過擬合的影響。Alex Net網(wǎng)絡(luò)模型最后全連接層被微調(diào)成個4神經(jīng)元,代替原有的1000個神經(jīng)元。微調(diào)結(jié)構(gòu)如圖2所示,Alex Net網(wǎng)絡(luò)模型的輸入圖片是227?227像素的圖片。1.6.2 Vgg Net網(wǎng)絡(luò)模型

選擇Alex Net、Vgg16、Vgg19、Google Net、Res Net-50五種不同的遷移模型,搭配Adam進(jìn)行組合試驗,經(jīng)過優(yōu)化參數(shù)后對豆莢進(jìn)行識別。對比不同模型試驗結(jié)果,以驗證準(zhǔn)確率和訓(xùn)練時間為標(biāo)準(zhǔn),選擇出最優(yōu)的模型。從圖4和表1可以看出,Vgg16網(wǎng)絡(luò)模型的驗證準(zhǔn)確率最高(98.41%),其次是Vgg19驗證準(zhǔn)確率(98.35%),Res Net-50表現(xiàn)出最差的識別準(zhǔn)確率(87.15%)。網(wǎng)絡(luò)模型的訓(xùn)練需要花費大量時間,模型訓(xùn)練時間最長的是Vgg19 (255.23m i n),時間最短是G o o g l e N e t (1 8.1 3 m i n)。而Google Net與Vgg16相比,Vgg16訓(xùn)練時間更長,但準(zhǔn)確率提高了2.58%,表明Vgg16網(wǎng)絡(luò)模型是對一粒莢、二粒莢、三粒莢、四粒莢識別的最優(yōu)遷移模型。圖4 模型準(zhǔn)確率和損失圖


本文編號：3485448