基于深度学习的烤烟分选算法研究

发布时间：2020-04-09 22:19

【摘要】：烤烟生产和收购过程中的烟叶质量分选工作目前是由工人完成的。工人分选主观性强、分级效率低等问题,催生了烟叶自动分选技术的研究。随着机器视觉的发展,基于视觉算法研究烟叶自动分选技术已经成为了一个热门课题。但目前仍然面临着一些挑战:现有的在线图像采集系统得到的数据和理想数据之间存在差异且数据有限;用传统方法手工设计的特征分类准确率不高;基于深度学习得到深层特征需要大量的已标注数据参与训练,但烟叶数据标注困难。针对上述问题,本文设计了烟叶现场数据的预处理流程,并基于深度卷积网络和迁移学习研究烟叶分组和分级。主要贡献如下:通过分析现场采集的烟叶图像,提出了烟叶现场数据的预处理方法。采用中值滤波减少图像噪声,计算Lab空间b通道频数直方图,用直方图双峰法,有效分割烟叶前景部分,并采用形态学的方法分析烟叶图像姿态剔除异常图像,使参与训练的数据尽可能趋于理想。提出了基于深度卷积网络的烟叶分组和分级模型。本文针对烟叶训练样本少、类别单一的问题,基于AlexNet模型采用两步修改法进行参数优化,防止过拟合;删去局部响应归一层同时引入批量归一层,优化网络结构。并提出主动增量学习的方法,通过计算信息熵挖掘困难样本,来避免冗余样本参与训练,从而优化训练过程中标注样本的使用数量。通过在中部橘色烟叶上的对比实验证明,参数优化可以使模型拟合得更好,网络结构优化可以改善训练过程Loss震荡问题,主动增量学习的训练优化可以使用更少的数据训练一个较优的模型。基于迁移学习算法进一步优化烟叶分级性能。针对分级过程训练样本少,准确率不高的问题,提出用训练好的烟叶分组模型迁移学习烟叶分级的低维深层特征表达。之后将其与传统方法手工设计的颜色、形状和纹理特征结合起来表征烟叶分级特征。针对烟叶数据获取实时性和不同批次数据差异影响分类准确率的问题,提出了在线迁移学习的方法。已有数据训练一个分类器,新来的数据再训练一个分类器,在接收到新数据时,用两个分类器的预测结果的加权来表示新数据的类别标签。而且这两个分类器的权重是根据错分样本情况在线更新的。实验证明,融合迁移学习和传统的特征提取方法的特征表达要优于仅用深层特征或传统特征的方法;基于在线迁移学习算法要优于只有新数据进行训练的机器学习算法,其分类错误率更小。
【图文】：

基本结构,卷积核,卷积,激活函数

烤烟分选相关理论综述逡逑（ｗｉｄｔｈ、ｈｅｉｇｈｔ、ｃｈａｎｎｅｌ）。ＣＮＮ是一类包含卷积计算且具有深度结构的前馈神经网逡逑络。在卷积神经网络中，一个典型的卷积层包含三级［３８】，如图２－１所示。首先是逡逑卷积，多个卷积核并行计算产生一组线性激活响应。其次是探测级，通过一个非逡逑线性激活函数将卷积操作产生的线性响应转换成非线性响应。如Ｓｉｇｍｏｉｄ函数、整逡逑流线性激活函数（ＲｅＬＵ）等。第三级是池化层，通过最大池化或均值池化来进一步逡逑调整该层输入数据的维度。逡逑下一层逦下一层逡逑．邋Ｔ邋．逦——逡逑卷积层邋￣逡逑池化逦池化层逡逑Ｉ逦ｔ逡逑探＿级逦探洃层逡逑非线性激活函数逦非线性激活函数逡逑ｔ逦ｔ逡逑仿射变换逦仿射变换逡逑丨．Ｔ逦Ｔ逦，逡逑输入层邋１逦｜邋输入层逡逑图２－１卷积神经网络的基本结构逡逑Ｆｉｇｕｒｅ邋２－１邋Ｔｈｅ邋ｍａｉｎ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ＣＮＮ．逡逑卷积操作为处理大小可变的输入提供了一种可行的方法。卷积运算主要由输逡逑入（ｉｎｐｕｔ）、卷积核（ｋｅｒｎｅｌ）和输出（ｏｕｔｐｕｔ）组成，通常将输入称作局部感受野，输出逡逑称作特征映射（ｆｅａｔｕｒｅ邋ｍａｐ）。卷积操作的本质是以一定的步长滑动卷积核，在局部逡逑感受野上对应位置的加权求和。卷积核的大小通常设为：２ｘ２、３ｘ３、５ｘ５。例逡逑如，卷积核的大小设为２ｘ２，，滑动步长设为１时，卷积操作的基本计算如图２－２所逡逑不。逡逑在第一次进行卷积计算时，卷积核内的值是随机初始化的。卷积层的权重更逡逑新过程本质是卷积核的更新过程［３９］。对于每层的卷积

示意图,计算过程,样本数量,性能评价指标

烤烟分选相关理论综述逡逑池化具有平移不变性。常用的池化函数包括最大池化（Ｍａｘ邋Ｐｏｏｌｉｎｇ）、平均池化逡逑（Ｍｅａｎ邋Ｐｏｏｌｉｎｇ）、基于距中心像素的加权平均等［４１，４２，４３］。图２－３展示了最大池化和平逡逑均池化的计算示意图。逡逑逦邋邋Ｍａｘ邋Ｐｏｏｌｉｎｇ逦７逦８逡逑０Ｈ邋４邋ＩＩ邋１邋Ｉ逦＾邋Ｉ邋４邋ＩＩ邋５逡逑７邋｜Ｔ］邋７逦８逡逑｜邋３邋Ｉ邋２逦２逦２逡逑４邋３逦３逦５逦Ｍｅａｎ邋Ｐｏｏｌｉｎｇ逦５逦５逡逑＿＿逦｜邋３邋Ｉ邋３逡逑ｘ￣逡逑图２－３最大池化和平均池化的计算过程逡逑Ｆｉｇｕｒｅ邋２－３邋Ｃａｌｃｕｌａｔｉｏｎ邋ｐｒｏｃｅｓｓ邋ｏｆ邋ｍａｘ邋ｐｏｏｌｉｎｇ邋ａｎｄ邋ｍｅａｎ邋ｐｏｏｌｉｎｇ．逡逑２．２．２性能评价指标逡逑在传统的机器学习框架中，错误率（ｅｒｒｏｒ邋ｒａｔｅ）、精度（ａｃｃｕｒａｃｙ）、准确率（ｐｒｅｃｉｓｉｏｎ）逡逑和召回率（ｒｅｃａｌｌ邋ｒａｔｅ）等是常用的评价算法性能的指标％。接下来将详细介绍本文用逡逑到的评价指标。逡逑错误率和精度是分类任务中常用的两种性能评价指标，不仅适用于二分类，逡逑也适用于多分类。对于给定测试样本集Ｄ邋＝丨0＾，），（＼，：＾），．．．办？，：＾，输入样本１的逡逑真实类别为Ｘ，分类器／给出的预测类别为／（＼），《表示样本总数。其中，错误逡逑率指的是分类任务中错分样本数量占总样本数量的比例，公式如（２－３）所示。逡逑Ｅ（ｆ－Ｄ）邋＝邋－ｉｎ（ｆ（Ｘｉ）＾ｙｉ）逦（２－３）逡逑ｎ邋／＝ｉ逡逑精度指的是分类任务中正确分类样本数量占总样本数量的比例
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TS44

【参考文献】