论文部分内容阅读
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。