基于深度卷积神经网络及迁移学习的纸病分类方法研究

本课题结合迁移学习策略,设计了一种适用于纸病图像的小样本深度卷积神经网络分类器。首先冻结VGG16网络卷积层的前7层卷积层参数,微调后面的卷积层,完成纸病特征的提取;其次改进用于分类的全连接层,使其满足纸病分类的需求;最后在训练过程中采用迁移学习策略,提高训练效率。结果表明,该方法能够提高纸病识别效率及精度,并进一步加强纸病识别功能。     

基于Gabor滤波器的低对比度纸病检测算法

针对现有的纸病检测算法对裂痕、褶皱等低对比度纸病检出率低、抗干扰能力差的问题,提出一种基于Gabor滤波器的纸病检测算法。首先使用Gabor滤波器以及Gaussian滤波器去除纸张纹理干扰,增强纸病区域对比度;然后使用Laplasian算法进行边缘检测,最后使用形态学闭运算得到完整的纸病边缘图像。实验结果表明,该算法对低对比度纸病检测正确率高,并具有良好的抗干扰性能。