基于卷积神经网络的种子智能分选算法研究
发布时间：2020-12-02 11:23
如何高效准确的对不同类型的种子,以及异常的种子进行识别实现分选,这在农业领域中仍然是一个相对比较棘手的问题。采用传统的人工检测以及图像处理算法在作物种子的分选中具有效率低、自适应性不强的问题,所以寻找一种可以替代传统种子分选的方法,对不同了作物种子的识别和分类研究具有重要的意义和应用价值。卷积神经网络作为深度学习基本算法之一,它具有结构简单、适应能力强的特点。然而,基于卷积神经网络的相关算法与传统的图像处理方法相比,具有非常庞大的参数量以及计算量,严重阻碍了在计算资源受限的嵌入式系统的工业设备中的应用。为了深入研究关于种子分类的图像处理及模式识别问题,本文采用深度学习技术中的卷积神经网络算法对向日葵种子图像以及玉米种子图像进行识别和分析。1)基于当前先进的深度学习算法进行实验研究,提出了基于一种精简的用于种子分选任务的卷积神经网络模型。首先采用Alex Net、VGG、ResNet等网络在向日葵种子数据集上进行了验证比较。然后对ResNet18的中间层特征进行可视化调整网络中的卷积层数,卷积核的大小和数量等参数构建了ResNet10网络,实现了在基本保留原网络识别准确度的情况下显著的降...
【文章来源】：中原工学院河南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
自动种子分选系统
中原工学院硕士学位论文4图1.2传统的分选系统的流程框图如图1.2，传统的机器视觉及图像处理算法都是采用人工提取图像的特征描述子，然后使用KNN，SVM，RF和ANNs等分类器实现。然而，由于谷类作物的多样性以及在形状、颜色、纹理的相似性，并且在实际的种子分选过程中，由于种子的位置及方向的随机性，所以尺度和旋转不变性算法用于提取的特征种子特别重要。传统的图像处理算法在识别种子品种时的准确性有限，无论是从分选系统中获取的高分辨率的图像，使用大量复杂的特征，以及选择使用合适的分类器，都与良好的识别精度密切相关。虽然目前已有的基于传统的视觉分类方法在作物种子分选领域取得了很多的成果，但传统的基于视觉的方法难以提取图像的深层判别性特征，泛化能力较差。1.2.2卷积神经网络算法研究现状深度学习是一种流行的方法，通常用于图像处理任务，如检测、分类和分割等。尤其是深度学习算法中的卷积神经网络(CNN)，不需要任何手工特征提取的过程，可以通过训练自动从图像数据中学习具有判别性的高级语义特征表示。卷积神经网络是一个相对较早的研究，早在20世纪80年代就有文献提出了不同类型的卷积网络。虽然这些较老的卷积网络的设计相当完善，但它们需要的计算资源超过了当时可用的计算机设备。因此，在研究文献中，卷积网络的发展相对滞后。这一趋势在2012年ILSVRC图像目标检测挑战之后发生了逆转，Hinton和他的学生通过调整网络结构和改进算法提出了AlexNet[16]，针对分类问题将TOP-5错误率从原来的26.2%降低至15.3%，当时AlexNet的错误率只有其最
中原工学院硕士学位论文9图2.1卷积操作示意图卷积层对输入数据的的计算公式可以表示为：1,1(),1,2,,NllljiijjiyfxwbjM（2.1）其中，liy表示第l层的第i个特征图，l1ix表示第l1层的第i个特征图，lib表示为第l层卷积的偏置项，如图2.1所示，左图表示一个空间尺寸为77的特征图，卷积核大小为33，将卷积核以步长1的方式卷积，在加上一个偏置，通过网络的激活函数，得到卷积层的输出结果。经过卷积操作后，特征图的输出尺寸计算公式为21Wkpws（2.2）W表示输入图像大小，k表示卷积核的大小，p表示对输入图像补零，w表示卷积操作后输出图像的尺寸。2.1.2池化层池化层通常位于卷积层的后面，是一个非线性下采样的过程。池化操作在每个层中大小为pp的小网格区域上工作，并生成具有相同深度的另一层，也就是说池化操作不会改变特征图的维数。常用的有均值池化和最大池化。其中，对于每个个激活映射中大小为的每个正方形区域，返回该区域的平均值，称为均值池化。对于每个激活映射中大小为的每个正方形区域，将返回这些值的最大值，这种方法称为最大池化。如果使用1的步长，那么将产生一个新的层。然而，在池化层中通常使用池化步长大于1更常见。在这种情况下，池化层大大降低了每个特征图的空间尺寸。当需要减少激活特征的空间占用时，通常使用窗口为2×2步长为2的池化层。池化操作使模型更加关注是否存在某些特征而不是特征具体的位置，因此稍微移动图像并不会显著改变激活图，这种
【参考文献】：
期刊论文
[1]基于图像识别和卷积神经网络的大豆优良籽粒筛选研究[J]. 朱荣胜,闫学慧,陈庆山. 大豆科学. 2020(02)
[2]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威. 农业机械学报. 2017(07)
硕士论文
[1]基于卷积神经网络的红枣外观品质分级方法研究[D]. 徐文龙.天津工业大学 2019
本文编号：2895219
【文章来源】：中原工学院河南省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
自动种子分选系统
中原工学院硕士学位论文4图1.2传统的分选系统的流程框图如图1.2，传统的机器视觉及图像处理算法都是采用人工提取图像的特征描述子，然后使用KNN，SVM，RF和ANNs等分类器实现。然而，由于谷类作物的多样性以及在形状、颜色、纹理的相似性，并且在实际的种子分选过程中，由于种子的位置及方向的随机性，所以尺度和旋转不变性算法用于提取的特征种子特别重要。传统的图像处理算法在识别种子品种时的准确性有限，无论是从分选系统中获取的高分辨率的图像，使用大量复杂的特征，以及选择使用合适的分类器，都与良好的识别精度密切相关。虽然目前已有的基于传统的视觉分类方法在作物种子分选领域取得了很多的成果，但传统的基于视觉的方法难以提取图像的深层判别性特征，泛化能力较差。1.2.2卷积神经网络算法研究现状深度学习是一种流行的方法，通常用于图像处理任务，如检测、分类和分割等。尤其是深度学习算法中的卷积神经网络(CNN)，不需要任何手工特征提取的过程，可以通过训练自动从图像数据中学习具有判别性的高级语义特征表示。卷积神经网络是一个相对较早的研究，早在20世纪80年代就有文献提出了不同类型的卷积网络。虽然这些较老的卷积网络的设计相当完善，但它们需要的计算资源超过了当时可用的计算机设备。因此，在研究文献中，卷积网络的发展相对滞后。这一趋势在2012年ILSVRC图像目标检测挑战之后发生了逆转，Hinton和他的学生通过调整网络结构和改进算法提出了AlexNet[16]，针对分类问题将TOP-5错误率从原来的26.2%降低至15.3%，当时AlexNet的错误率只有其最
中原工学院硕士学位论文9图2.1卷积操作示意图卷积层对输入数据的的计算公式可以表示为：1,1(),1,2,,NllljiijjiyfxwbjM（2.1）其中，liy表示第l层的第i个特征图，l1ix表示第l1层的第i个特征图，lib表示为第l层卷积的偏置项，如图2.1所示，左图表示一个空间尺寸为77的特征图，卷积核大小为33，将卷积核以步长1的方式卷积，在加上一个偏置，通过网络的激活函数，得到卷积层的输出结果。经过卷积操作后，特征图的输出尺寸计算公式为21Wkpws（2.2）W表示输入图像大小，k表示卷积核的大小，p表示对输入图像补零，w表示卷积操作后输出图像的尺寸。2.1.2池化层池化层通常位于卷积层的后面，是一个非线性下采样的过程。池化操作在每个层中大小为pp的小网格区域上工作，并生成具有相同深度的另一层，也就是说池化操作不会改变特征图的维数。常用的有均值池化和最大池化。其中，对于每个个激活映射中大小为的每个正方形区域，返回该区域的平均值，称为均值池化。对于每个激活映射中大小为的每个正方形区域，将返回这些值的最大值，这种方法称为最大池化。如果使用1的步长，那么将产生一个新的层。然而，在池化层中通常使用池化步长大于1更常见。在这种情况下，池化层大大降低了每个特征图的空间尺寸。当需要减少激活特征的空间占用时，通常使用窗口为2×2步长为2的池化层。池化操作使模型更加关注是否存在某些特征而不是特征具体的位置，因此稍微移动图像并不会显著改变激活图，这种
【参考文献】：
期刊论文
[1]基于图像识别和卷积神经网络的大豆优良籽粒筛选研究[J]. 朱荣胜,闫学慧,陈庆山. 大豆科学. 2020(02)
[2]基于卷积神经网络的鲜茶叶智能分选系统研究[J]. 高震宇,王安,刘勇,张龙,夏营威. 农业机械学报. 2017(07)
硕士论文
[1]基于卷积神经网络的红枣外观品质分级方法研究[D]. 徐文龙.天津工业大学 2019
本文编号：2895219
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/2895219.html
教材专著
