不同形式的機械損傷對蓖麻種子發(fā)芽生長和榨油后的蓖麻油質量影響不同,因此對產生機械損傷的蓖麻種子進行識別分類非常重要。提出了基于卷積神經網絡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,構建了蓖麻種子訓練集和測試集,搭建2個卷積層（每個卷積層8個卷積核）、2個池化層和1個全連接層（128個節(jié)點）,實現分類。為提高分類的準確性和實時性,調整網絡結構以及優(yōu)化批量尺寸參數,得到較優(yōu)的網絡結構和批量尺寸;利用上下左右翻轉擴充樣本,改變優(yōu)化器、學習率以及正則化系數對該網絡進行組合試驗,獲得準確率及效率較優(yōu)的組合。通過Dropout優(yōu)化減小卷積神經網絡模型的過擬合。試驗結果表明:卷積層為5層、池化層為5層、批量尺寸為32時,該網絡模型平均測試準確率為92.52%。在組合試驗中,Sgdm優(yōu)化器更新網絡可以提高網絡的分類性能;數據擴增可以增加樣本的多樣性,減小過擬合現象;通過Dropout優(yōu)化卷積神經網絡模型的過擬合;選擇學習率為0.01,正則化系數為0.000 5時,模型分類準確率達到94.82%,其中種殼缺失蓖麻種子準確率為95.60%,裂紋蓖麻種子準確率為93.33%... 

【文章來源】：農業(yè)機械學報. 2020,51(S1)北大核心EICSCD

【文章頁數】：10 頁

【部分圖文】：

不同類型蓖麻種子圖像

卷積神經網絡模型圖

選擇合適數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特征;如果設計過多卷積層和池化層來提取圖像特征，則會導致過度擬合。本文對動量隨機梯度下降(Stochastic gradient descent with momentum,Sgdm)和自適應矩估計優(yōu)化器(Adam) 2個優(yōu)化器下的不同卷積層對分類模型準確率的影響進行比較，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、池化層數對準確率影響。由圖3可知，在兩個優(yōu)化器下，卷積層和池化層為5層時，測試準確率最高。因此，本文選擇卷積層和池化層為5層時，進行組合試驗。2.2 批量尺寸對模型的影響

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



本文編號：3467437