基于深度学习的青梅品级半监督智能认知方法

发布时间：2020-04-14 10:12

【摘要】：随着人们生活水平的不断提高,消费者对水果的品级越发重视。然而水果采摘后的商品化处理水平低成为制约国内水果附加值以及国际市场竞争力的主要因素。实现水果品级的准确自动分级已成为国内水果行业现代化的前提条件。青梅作为一种具有多重保健功能的药食资源,深受广大群众的喜欢。为了避免人工分拣模式性能受到操作人员经验、责任心等主观因素影响,基于机器视觉的水果品级认知成为当前水果分级的主要技术。针对监督学习认知方法中存在水果样本标定困难、固定特征空间充分表征和分类器泛化能力不足、认知结果后验统计的缺陷,模仿人类反复推敲比对信息交互认知模式,本文基于深度学习探索了一种具有认知结果熵测度指标约束的青梅品级半监督智能认知方法,以期提高青梅品级的识别率。本文的主要工作如下:(1)基于协同训练的半监督学习机制标定具有强信度的无标签青梅图像样本,扩充训练青梅图像样本集,构建具有充分表征性的自适应架构卷积神经网络,建立青梅图像由局部到全局的多层面充分表征特征空间。(2)引入青梅品级图像的决策属性信息,基于变精度粗糙集理论,在有限论域不确定条件下,从信息论角度建立训练青梅品级多层面充分表征特征空间的认知智能决策信息系统模型。设计具有万局逼近能力的随机配置网络模式分类器,构建多层面简约特征空间的分类准则。(3)构建青梅品级认知误差熵测度表征,针对后验统计无法实时评测认知结果的缺陷,基于广义误差和广义熵理论,定义了一种青梅品级不确定认知结果的认知误差潜在语义熵测度指标,实时量测青梅品级不确定认知结果的可信度,为智能反馈认知的运行机制提供量化依据。(4)基于不确定认知结果误差熵测度指标约束条件,构建青梅品级的特征空间调节机制,自寻优调节内层认知特征效能、中间层认知特征层级以及外层无标签样本置信度,更新青梅品级多层面特征空间、分类准则和标定的无标签样本集,对可信度低的青梅图像样本进行品级再认知。为了验证所提出的青梅品级半监督智能认知模型的优越性,本文选取5400幅青梅图像作为样本库,采用MATLAB仿真对本文方法的有效性和可行性进行了验证。实验结果表明,本文所提出的方法平均识别率达到98.32%,较其他认知方法的性能更优。
【图文】：

结构示意图,卷积运算

图 2.4 CNN 的结构示意图Fig 2.4 Schematic diagram of CNN滤波器感知我们输入的图像并且可以感知图像的整个范围。在输出的特征图中，它所有的神经元共享权值对参数的减少，使得网络结构的简化效果非常明显，有效地提高了网络模型的训练效率以及分类器的处理速度。在我们特征提取的过程中，往往使用多个滤波器对样本图像进行特征提取，这样使得我们提取的特征具有可靠性。滤波器的参数都是通过反向传播的方法进行不断的更新而获得最优的参数。神经元输入值求取的过程与卷积运算的原理十分相似，因此卷积层的功能就是对特征输入通过核函数进行卷积运算。卷积运算的过程如图 2.5 所示，卷积运算指先用一个固定大小的的窗口从输入图像的左上角开始与这个窗口对应相乘再相加将窗口向右移动一个步长，该步长可由程序设定，再次进行与前面相同的相乘再相加的操作直到该窗口遍历整个图像，就可以重新获得一张新的图像。卷积层的作用其实就是对图像样本进行滤波操作，获得局部特征信息。假设我们输入一张图像，表示为，为一张彩色图像，，有三个通道。其中，表示矩阵的个数，其中代表矩阵也就是特征图，输出结果

曲线,卷积,激活函数,非线性函数

图 2.5 卷积层的过程操作图Fig. 2.5 Convolution layer process operation模型在分类方面往往无法满足我们的需求，因此用加入非线性的因子，提高我们网络的分类表达细介绍。种常见的激活函数，它可以很容易的抑制误差的函数曲线如图 2.6 所示。它是一种非线性函数以表示为： ( ) ′( ) ( ) ( )( ( )) 1
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TP391.41;TS255.7

【参考文献】