基于卷积神经网络的蓖麻种子损伤分类研究

发布时间：2021-10-30 21:11

　　不同形式的机械损伤对蓖麻种子发芽生长和榨油后的蓖麻油质量影响不同,因此对产生机械损伤的蓖麻种子进行识别分类非常重要。提出了基于卷积神经网络的蓖麻种子损伤分类算法。以种壳缺失、裂纹和完整蓖麻种子（无损伤）的分类为例,构建了蓖麻种子训练集和测试集,搭建2个卷积层（每个卷积层8个卷积核）、2个池化层和1个全连接层（128个节点）,实现分类。为提高分类的准确性和实时性,调整网络结构以及优化批量尺寸参数,得到较优的网络结构和批量尺寸;利用上下左右翻转扩充样本,改变优化器、学习率以及正则化系数对该网络进行组合试验,获得准确率及效率较优的组合。通过Dropout优化减小卷积神经网络模型的过拟合。试验结果表明:卷积层为5层、池化层为5层、批量尺寸为32时,该网络模型平均测试准确率为92.52%。在组合试验中,Sgdm优化器更新网络可以提高网络的分类性能;数据扩增可以增加样本的多样性,减小过拟合现象;通过Dropout优化卷积神经网络模型的过拟合;选择学习率为0.01,正则化系数为0.000 5时,模型分类准确率达到94.82%,其中种壳缺失蓖麻种子准确率为95.60%,裂纹蓖麻种子准确率为93.33%... 

【文章来源】：农业机械学报. 2020,51(S1)北大核心EICSCD

【文章页数】：10 页

【部分图文】：

不同类型蓖麻种子图像

卷积神经网络模型图

选择合适数量的卷积层和池化层可以提高CNN模型分类精度，如果模型中含有的卷积层过少，模型无法获得蓖麻种子缺陷图像的本质特征;如果设计过多卷积层和池化层来提取图像特征，则会导致过度拟合。本文对动量随机梯度下降(Stochastic gradient descent with momentum,Sgdm)和自适应矩估计优化器(Adam) 2个优化器下的不同卷积层对分类模型准确率的影响进行比较，将卷积层从2层增加到7层，池化层从2层增加到7层，研究卷积、池化层数对准确率影响。由图3可知，在两个优化器下，卷积层和池化层为5层时，测试准确率最高。因此，本文选择卷积层和池化层为5层时，进行组合试验。2.2 批量尺寸对模型的影响

【参考文献】：
期刊论文
[1]基于卷积神经网络的油茶籽完整性识别方法[J]. 谢为俊,丁冶春,王凤贺,魏硕,杨德勇.  农业机械学报. 2020(07)
[2]基于迁移学习的棉花叶部病虫害图像识别[J]. 赵立新,侯发东,吕正超,朱慧超,丁筱玲.  农业工程学报. 2020(07)
[3]基于CNN的小麦籽粒完整性图像检测系统[J]. 祝诗平,卓佳鑫,黄华,李光林.  农业机械学报. 2020(05)
[4]基于迁移学习的卷积神经网络玉米病害图像识别[J]. 许景辉,邵明烨,王一琛,韩文霆.  农业机械学报. 2020(02)
[5]采用机器视觉与自适应卷积神经网络检测花生仁品质[J]. 张思雨,张秋菊,李可.  农业工程学报. 2020(04)
[6]改进Faster-RCNN自然环境下识别刺梨果实[J]. 闫建伟,赵源,张乐伟,苏小东,刘红芸,张富贵,樊卫国,何林.  农业工程学报. 2019(18)
[7]基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法[J]. 吕石磊,卢思华,李震,洪添胜,薛月菊,吴奔雷.  农业工程学报. 2019(17)
[8]基于卷积神经网络的中国北方冬小麦遥感估产[J]. 周亮,慕号伟,马海姣,陈高星.  农业工程学报. 2019(15)
[9]多类农田障碍物卷积神经网络分类识别方法[J]. 薛金林,闫嘉,范博文.  农业机械学报. 2018(S1)
[10]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露.  农业机械学报. 2018(S1)



本文编号：3467437