基于深度学习的小米椒缺陷识别分类研究

发布时间：2020-11-03 02:23

　　 小米椒是一种深受大众喜爱的调味料,随着人们生活水平的不断提升,以及世界蔬菜市场需求量增大和调味品市场的快速发展,小米椒的价格稳步上扬,小米椒的生产加工需求不断增加。而在生产中小米椒的质量检测主要依靠人工,由于人工操作缺乏客观性、效率低下、劳动强度大等缺点,导致小米椒质量参差不齐。传统的辣椒图像识别方法,采用人工或浅层网络提取特征,提取的精度不高,同时所花费的时间代价和劳动成本都非常昂贵,在实际应用中不能满足要求,因此需要更加适合小米椒缺陷识别分类的算法。随着数据库的开源以及大容量高性能GPU的出现,深度学习已经从理论应用到实际中,在图像分类任务中,表现最突出的是卷积神经网络(Convolutional neural network,CNN)。卷积神经网络在大数据集中的图像识别与分类中,获得高于人眼识别率的成绩,由于它自身的特点,需要进行的图像预处理步骤较少,因此,本文在小米椒缺陷识别分类中采用深度学习中的卷积神经网络,来对小米椒的缺陷进行识别分类。本文主要工作如下:1.简要介绍了本文的研究背景及意义,辣椒缺陷识别的概况,深度学习在图像识别中的应用。根据小米椒的颜色特征与缺陷的颜色特征的不同,保存一组彩色RGB小米椒图像,又因为彩色图像较大,卷积神经网络的训练时间可能会过久,将彩色RGB图像灰度化,组成一个小米椒灰度图像,为后续的小米椒图像数据集以及分类识别任务打好基础。2.本文对人工神经网络和卷积神经网络的理论基础以及深度学习框架TensorFlow进行介绍。卷积神经网络的组成包括卷积层、池化层、激活函数,然后是对卷积神经网络的前向传播和反响传播,随机梯度下降算法进行了介绍,最后介绍了深度学习开发框架。3.将卷积神经网络运用到小米椒缺陷识别分类中。构建了小米椒彩色RGB图像数据集与小米椒灰度图像数据集,考虑到不同激活函数和下采样方式的收敛情况的不同,对激活函数和下采样方法进行了分析讨论,通过实验选取合适的激活函数和下采样方法。通过加深网络深度的方式,设计了一个四层的网络结构进行小米椒图像识别,最后将根据彩色RGB图像和灰度图像训练集得出的两个基于卷积神经网络的小米椒图像识别结果进行对比分析,然后再与迁移学习后的AlexNet网络识别分类的结果进行对比分析,证明了使用彩色RGB图像数据集的基于卷积神经网络的小米椒图像识别准确率更高。
【学位单位】：武汉轻工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S641.3;TP391.41;TP18
【部分图文】：

武汉轻工大学硕士专业学位论文经过滤波后的图像，根据小米椒成熟后整体为淡黄色，而小米椒缺陷部分为黑色或深色，不同于小米椒果体颜色，小米椒缺陷有以下几类，图 2.3 为小米椒缺陷：1.果体部分有黑色的腐败；2.果体部分有褐色的伤痕；3.果体部分有虫眼。2.3 小米椒数据集构建

图 2.4 部分小米椒彩色 RGB 图像样本考虑到后续采用的卷积神经网络和 AlexNet 网络的计算量，使用彩色 RGB图像训练神经网络需要的时间可能较长，所以将彩色 RGB 图像进行灰度化处理转换为灰度图像。小米椒灰度图像部分样本图如图 2.5 所示。

图 2.4 部分小米椒彩色 RGB 图像样本考虑到后续采用的卷积神经网络和 AlexNet 网络的计算量，使用彩色 RGB图像训练神经网络需要的时间可能较长，所以将彩色 RGB 图像进行灰度化处理转换为灰度图像。小米椒灰度图像部分样本图如图 2.5 所示。
【相似文献】

相关期刊论文 前10条

1 廖桂福;;长汀县山区小米椒栽培技术[J];中国农技推广;2019年11期

2 ;清蒸柠檬鱼[J];益寿宝典;2017年04期

3 谢镇成 ,罗炘熀;小米椒亩产千斤的经验[J];福建农业科技;1983年01期

4 张志军;;把小米椒做成大产业[J];云南党的生活;2013年03期

5 彭毅秦;乔明锋;易宇文;刘阳;张旭;;小米椒发酵过程理化指标动态变化分析[J];中国调味品;2018年04期

6 龚翠珍;;小米椒漂盘育苗技术[J];云南农业;2012年08期

7 周淼葭;;峨边瓦洛村:高山小米椒助彝家脱贫[J];当代县域经济;2017年10期

8 祝国良;;延寿:实施小米椒大产业 促进瑶乡经济发展[J];民族论坛;2010年11期

9 田一歌 ,唐亮;巧用米椒烹佳肴[J];四川烹饪;2003年10期

10 兰奎全;曾兵;;跟我学(85) 酸酸鸡[J];四川烹饪;2009年11期

相关硕士学位论文 前2条

1 杨超;基于深度学习的小米椒缺陷识别分类研究[D];武汉轻工大学;2019年

2 贾洪锋;发酵辣椒中风味物质的研究[D];西南大学;2007年

本文编号：2867956