基于深度学习的大豆豆荚类别识别研究

发布时间：2021-11-09 13:34

　　作物表型调查是作物品种选育过程中的一项关键工作。传统表型调查主要依靠人力,使得表型调查的结果难以达到自动化、高精度、高可靠性的要求。在大豆的表型调查中,对豆荚类别的正确识别是豆荚个数、长度和宽度等表型准确提取的关键和前提。本文针对成熟期大豆豆荚的图片,通过利用深度学习迁移5种不同的网络模型[AlexNet、VggNet （Vgg16, Vgg19）、GoogleNet、ResNet-50],对一粒荚、二粒荚、三粒荚、四粒荚进行识别。为提高训练速度和准确率,本试验微调模型,选择不同的优化器（SGD、Adam）对网络模型进行优化。结果表明,在针对豆荚辨识问题中,Adam的性能优于SGD,而Vgg16网络模型搭配Adam优化器,豆荚类别的测试准确率达到了98.41%,在所选的网络模型中体现了最佳的性能。在十折交叉验证试验中也体现了Vgg16网络模型具有良好的稳定性。因此本研究认为Vgg16网络模型可以应用到实际的豆荚识别中,为进一步实现豆荚表型自动提取提供一条重要的解决途径。 

【文章来源】：作物学报. 2020,46(11)北大核心CSCD

【文章页数】：9 页

【部分图文】：

数据增强

Alex Net是由Hinton和他的学生Krizhevsky在2012年ILSVRC大赛上提出的深度卷积神经网络模型,在图像分类上top-5错误率为15.3%,获得该届大赛的冠军[15]。Alex Net网络模型包含65,000个神经元、5个卷积层、3个全连接层和1个softmax分类器。前7层都包含Relu激活函数,第1层、第2层、第5层运用最大池化保留最大特征值来降低图片大小、减小参数。Dropout是降低过拟合很好的措施[26],因此在前2个全连接层中也加入Dropout来降低过拟合的影响。Alex Net网络模型最后全连接层被微调成个4神经元,代替原有的1000个神经元。微调结构如图2所示,Alex Net网络模型的输入图片是227?227像素的图片。1.6.2 Vgg Net网络模型

选择Alex Net、Vgg16、Vgg19、Google Net、Res Net-50五种不同的迁移模型,搭配Adam进行组合试验,经过优化参数后对豆荚进行识别。对比不同模型试验结果,以验证准确率和训练时间为标准,选择出最优的模型。从图4和表1可以看出,Vgg16网络模型的验证准确率最高(98.41%),其次是Vgg19验证准确率(98.35%),Res Net-50表现出最差的识别准确率(87.15%)。网络模型的训练需要花费大量时间,模型训练时间最长的是Vgg19 (255.23m i n),时间最短是G o o g l e N e t (1 8.1 3 m i n)。而Google Net与Vgg16相比,Vgg16训练时间更长,但准确率提高了2.58%,表明Vgg16网络模型是对一粒荚、二粒荚、三粒荚、四粒荚识别的最优迁移模型。图4 模型准确率和损失图


本文编号：3485448