论文部分内容阅读
近年来,马铃薯主粮化战略发展迅速,传统的检测方法大多采用人工对马铃薯表面缺陷种类进行判断,但这种方式主观性强,很难达到标准统一。针对马铃薯生产过程中表面缺陷识别的问题,本文提出了基于深度学习的马铃薯图像分类方法,在传统的浅层卷积神经网络基础上设计了一个新的卷积神经网络的模型,完成马铃薯缺陷识别。主要从以下4个方面进行了研究:(1)系统的分析了神经网络的思想、并对传统人工神经网络中的前向传播与反向传播过程进行了详细分析。重点介绍了卷积神经网络各层的工作方式,并对卷积神经网络中的卷积计算、池化处理以及激活函数的分析进行了详细完整地理论推导,为深度学习卷积神经网络的设计奠定了理论基础。(2)通过实验室机器视觉平台对马铃薯图像进行采集,将马铃薯分为四种类型:完好、干腐、机械损伤、虫眼,建立了原始的图像信息数据库。为了解决由于数据样本不够导致模型泛化能力不足的问题,采用数据增强的方法,对原始图像通过平移、旋转、图像加噪、颜色抖动、PCA降维操作生成与原始数据具有相似特性的数据,对马铃薯图像数据库进行了扩增,马铃薯数据由最初的351张扩增为8803张图片,为卷积神经网络的设计提供了数据的支持。(3)本文全部的数据处理完全基于Linux系统,完成了在Linux系统下搭建Tensorflow开发环境以及CUDA加速库,分析了 LeNet-5卷积神经网络,并对网络结构和参数进行了改进,通过添加Relu激活函数,加入Dropout正则化等技术,减小训练过程中的过拟合问题,实现了浅层卷积神经网络在马铃薯识别上的应用,为复杂卷积神经网络设计提供基础,经过测试,识别率由最初的 71.32%提高到了 84.6%。(4)基于浅层卷积神经网络的弊端,在此基础上设计了一种层数为15层的复杂卷积神经网络,加入卷积核大小为1×1的卷积层来对数据进行降维,并采用局部响应归一化与梯度下降算法完成最终的分类,经过在数据增强后的数据上进行测试,最终识别率达到了 94.1%。最后针对小数据样本提出了迁移学习方案,通过预训练与微调的方式可以解决数据集较少与训练时间短的情况下训练出高精度的模型,最高识别率为98.5%。