论文部分内容阅读
深度学习和迁移学习的兴起为树种识别提供了新方向,然而其在同树种内不同品质间木材识别仍存在挑战。为改善古筝面板品质分级现状,设计了一种深度残差网络模型。首先将数据集进行划分并采用数据增强技术来扩充训练样本,然后将ImageNet上经过预训练的模型迁移到该问题上。为高效提取到针对板材图像特征,在预训练模型后新增深层特征提取部分,其融合了残差连接和深度可分离卷积,不仅可增强特征重利用和缓解梯度消失,而且有利于提取到图像深层特征。最后为提升模型在训练过程鲁棒性,使用LeakyReLU函数代替Relu函数避免神经元死亡问题。该方法在泡桐导管图像数据集上测试精度达到了92.8%,对比其它主流方法,该模型可节省古筝品质分级时间,提高其识别精度。