基于注意力机制的轻量化VGG玉米籽粒图像识别模型

玉米是重要的生产资料,为实现对玉米种子的识别与保护,实验采集了5个玉米品种,经处理后共获得1 778张玉米籽粒图像,建立胚面与胚乳面混合的数据集。按7∶2∶1的比例划分训练集、验证集和测试集。首先基于迁移学习选取DenseNet121、MobileNetV2、VGG16和GoogLeNet对玉米籽粒图像进行识别,在测试集上的准确率分别是94.32%、93.18%、95.45%和92.61%,由于在VGG16上的准确率最高,所以选择对VGG16进行改进,在对模型进行轻量化处理的同时引入通道注意力SE模块,构建一个新的网络模型L-SE-VGG,并与未预训练的VGG16、迁移学习的VGG16和不加SE模块的L-VGG进行对比,最终在L-SE-VGG上的识别准确率高达98.86%。研究为深度学习技术在玉米籽粒品种识别中的应用提供了新的有效策略和实验方法,为玉米籽粒品种的识别和检测提供了参考。     

基于深度学习的登海605玉米品种真伪鉴别方法研究

玉米是我国重要的谷类作物,玉米种子的纯度是影响种子质量的关键指标,不同品种玉米的种子活力、物理指标和发芽率都是不同的,因此需要对玉米品种的真伪进行鉴别分选。传统模式识别的方法需要人工定义各类特征,存在主观判断、费时费力等问题,实用性较差。针对上述问题,本研究拟建立一种基于RGB图像结合深度学习的低成本、高效、无损的单粒玉米种子真伪检测方法,选用不同产地登海605玉米种子440粒,其他品种480粒,采集玉米种子胚面和胚乳面制作数据集,通过图像处理技术对图像进行预处理,并按照7∶2∶1的比例将数据集分为训练集、验证集和测试集,分别使用GoogLeNet、MobileNet、Inception-ResNet、ResNet、DenseNet共5种网络模型利用迁移学习对3类数据集进行分类测试,结果表明,5种网络模型在双面数据集的平均识别准确率最高,测试识别准确率为99.05%,ResNet网络在3类数据集中的分类效果最佳,在双面测试集上为99.91%。本研究提供了一种无损、高效、相对可靠的方法来鉴别登海605玉米品种的真伪。     

基于卷积神经网络的卷烟小盒外观检测研究

文章基于卷积神经网络(CNN),模拟人脑对图像的识别过程,实现了对卷烟小包外观检测.卷积神经网络所使用数据集采集自某卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,将训练集送入卷积神经网络进行特征提取与分类.经过网络学习与测试,使用新的数据集,小包外观识别准确率可达99.15％,效果较好.     

基于改进MobileNetV2的玉米籽粒图像品种的快速鉴别研究

为实现玉米籽粒品种的快速鉴别与保护，本文提出了基于改进MobileNetV2的玉米籽粒品种识别方法。采集了11种玉米籽粒图像共3938张，建立胚面与非胚面的双面混合数据集。按照7：2：1的比例随机划分训练集、验证集和测试集。对MobileNetV2网络模型进行微调改进，探讨全连接层数量与维度以及dropout的取值对模型性能的影响，并在此基础上解冻部分骨干网络，最终模型准确率达到0.9795，相较于基准模型准确率（0.9487）提高0.0308。试验结果表明，迁移学习时对基准模型微调是十分有必要的，可以有效提高模型准确率。本研究为玉米籽粒图像识别提供了新的建模方法，基于迁移学习，结合微调改进能够有效提升玉米籽粒图像分类的准确率。     

基于CBAM-InceptionV3迁移学习的食品图像分类

为提高食品图像自动识别分类的准确率,提出一种嵌入通道注意力机制和空间注意力机制的卷积块注意力模块(CBAM)的“开端”第三版(Inception V3)分类模型。将带有图像网络(ImageNet)预训练权重参数的InceptionV3模型拆分后,在每个Inception块后嵌入CBAM模块,再重新组装成新模型,共嵌入11个CBAM模块。将此模型用于经过填充和缩放到299×299像素的Food-101食品图像数据集进行迁移学习,最高准确率达到82.01%。与原始的InceptionV3模型相比,CBAM模块能够有效提升模型的特征提取和分类能力;同时迁移学习与从头开始训练相比也可以大幅提高准确率、缩短训练时间。与其它几类主流卷积神经网络模型进行对比实验,结果表明该模型具有较高的识别准确率,可为食品图像分类识别提供有力支撑。     

基于卷积神经网络和迁移学习的色织物疵点检测

针对色织物疵点检测准确率较低的问题,提出一种基于卷积神经网络的疵点识别方法。首先对织物图像进行预处理,然后将无疵点织物和5类疵点织物图像样本输入到残差网络模型进行训练和测试,最终总识别率为91.53%。以残差网络模型为例,研究了迁移学习在织物疵点识别中的应用。将ImageNet数据集上预训练的图像特征迁移到织物疵点识别任务上,并在两个大小不同的数据集上比较迁移学习的效果。结果显示,当数据集较小时,通过迁移学习可以提升模型的识别率。     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于深度卷积神经网络的织物花型分类

针对织物纹理花型人工视觉分类效率低的问题,提出一种基于深度卷积神经网络(CNN)的条状、格子和波点纹理织物的识别分类方法.首先,建立由条状花型、格子花型和波点花型织物组成的图像样本集和标签数据集.然后,分别建立了基于GoogLeNet和AlexNet两种卷积神经网络的织物花型分类模型.最后,通过模型评价指标选择最优的训练迭代期.实验结果表明,利用深度卷积神经网络分类织物花型是可行有效的.     

基于改进权重衰减的EfficientNet食用菌图像识别

目的:解决食用菌种类识别传统方法靠人眼判断的不足,降低同一科属性状相似的识别出错率。方法:提出一种基于卷积神经网络的EfficientNet食用菌图像分类模型,利用不同设备和拍摄环境采集食用菌图像并建立数据集,通过模型训练技巧和网络技巧对模型性能进行提升,提出一种YWeight权重衰减方法来控制有效学习率,通过控制cross-boundary来影响模型的泛化性能。结果:该方法在自建数据集YMushroom上使EfficientNet-B0获得79.82%(+0.85%)top-1精度,默认训练过程仅获得78.97%。在公开数据集Fungus上使EfficientNet-B0达到87.62%(+0.78%)准确率,原始训练准确率为86.84%。结论:通过调整超参数使模型可接近最优解,通过权重衰减提升了食用菌图像分类模型的性能。     

基于SqueezeNet的卷烟小盒外观检测算法在低成本硬件上的实现

文章设计一种基于SqueezeNet卷积神经网络,实现对小包外观检测.SqueezeNet卷积神经网络所使用数据集采集自昆明卷烟厂FOCKE-FXS机型成像检测系统,经过人工对图像进行分类,获得小包外观良好与缺陷的数据集.将数据集随机生成90％的训练集与10％的验证集,对训练集进行数据增强及均值减法的预处理之后,送入卷积神经网络进行特征提取与分类.在MATLAB平台上进行学习与测试,使用数据集,小包外观识别准确率可达99.66％,效果较好.之后,使用树莓派作为算法实现硬件,将经过验证的SqueezeNet算法部署到树莓派中.经过验证,算法运行正常.     

基于轻量卷积网络的马铃薯外部缺陷无损分级

目前马铃薯外部缺陷检测方法主要依靠人工提取特征,且检测精度不高,为了更好地对马铃薯外部缺陷进行快速、准确在线分级,本实验提出一种基于轻量卷积网络的在线分级方法。首先,利用ImageNet数据集训练Xception网络模型,建立马铃薯预训练网络模型;然后,重新构建5 类缺陷全连接层,并通过迁移学习在预训练网络模型上训练马铃薯缺陷数据集;最后,基于外部缺陷识别模型分别测试5 类缺陷的分级性能。结果表明,学习率为0.000 01时,网络模型整体性能最优,训练准确率为98.88%,损失值为0.034 9;在相同样本条件下,与9 种不同深度的网络进行对比,本实验构建的轻量级网络模型识别效果最好,平均识别准确率达到96.04%,且运行时间比识别效果较好的ResNet152网络更短,本实验网络模型的识别速率为6.4 幅/s,本研究结果可为马铃薯在线分级提供理论支持。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

基于深度学习卷积神经网络的花生籽粒完整性检测

目的:准确区分完整花生、果仁破损花生和表皮破损花生。方法:提出了一种基于深度学习卷积神经网络(CNN)的花生籽粒完整性检测方案。搭建了花生籽粒色选系统,建立了花生籽粒图像库;利用改进的密度峰值聚类(DPC)算法对CNN卷积核进行自适应压缩,有效平衡网络深度和运算效率;采用改进的麻雀搜索算法对CNN超参数配置和网络结构进行优化,得到适用于花生籽粒完整性检测的CNN模型。结果:相比于DL-CNN、CO-Net等检测方法,该方案识别准确率提高了5.41%~13.92%,花生籽粒单幅图像检测时间缩短了约16.9%。结论:该方法可有效提高花生籽粒完整性检测的准确率和实时性。     

基于CNN神经网络的小麦不完善粒高光谱检测

利用高光谱成像技术对小麦不完善粒进行无损检测。以932个小麦为样本,其中正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个为研究对象,通过高光谱图像采集系统采集样本的光谱信息,然后从每个样本的116个波段中选取30个波段,建立基于深度学习的卷积神经网络(convolutional neural networks,CNN)模型。实验中的CNN采用2个卷积层,第1层采用大小为3×3的32个卷积核,第2层采用大小为5×5的64个卷积核,池化层采用最大池,激活函数采用修正线性单元,为避免过拟合,在全连接层后面接入dropout层,参数设置为0.5,其他卷积参数均为默认值,得到校正集总识别率为100.00%,测试集总识别率为99.98%。最后,以支持向量机(support vector machine,SVM)为基线模型进行对比,从116个波段中选取90个波段进行建模,测试集总识别率为94.73%。通过实验对比可以看出,CNN模型比SVM模型识别率高。研究表明CNN模型能够实现对小麦不完善粒的准确、快速、无损检测。     

基于卷积神经网络的食品图像识别

目的 探究一种基于Inception_V3-CNN模型的食品图像识别和分类方法。方法 选取包含20类食品和19609张的食品图像建立数据集Food-101, 通过卷积神经网络(convolutional neural networks, CNN)提取图像候选区域的视觉特征, 并自动进行分类, 使其具有较高的识别率; 此外, 采集来自kaggle库中已标注的食品图像集做预测对比实验, 以保证Inception_V3-CNN模型检测的准确度。结果 该方法能够去除背景噪音, 且仅需部分提取视觉特征, 可以有效解决网络食品图像的分类问题, 与多视图支持向量机(support vector machine, SVM)+方向梯度直方图(histogram of oriented gradients, HOG)和传统CNN方法相比, 在测试时间相近、设备计算能力相同的条件下, 该方法识别率更高, 迭代次数为15000次时, Loss值降至4.92, 准确率可达93.89%。结论 此方法可以快速识别食品图像, 在实际网络图片中能有较好的可移植性。将算法移植到移动设备中实现APP的模块化操作也将成为后续工作探索的重点方向。     

基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

玉米籽粒霉变等级高光谱图像检测方法研究

为了快速、无损检测出储藏玉米籽粒不同霉变状况,提升玉米收储环节质检效率,尝试利用高光谱成像技术结合机器学习算法构建玉米籽粒霉变等级分类模型。采集400～1 000 nm波段范围内玉米籽粒高光谱图像,以测定的真菌孢子数为依据,将籽粒霉变状态划分为健康、轻度霉变、中度霉变和重度霉变4个等级,采用随机蛙跳(RF)算法优选出7个光谱特征变量,针对特征波段图像,利用Tamura算法共提取出21个纹理特征变量,基于颜色矩阵提取出21个颜色特征变量。进一步结合支持向量机(SVM)、极限学习机(ELM)和偏最小二乘回归(PLSR)3种算法分别建立基于光谱、图像和图谱特征融合的玉米籽粒霉变等级分类模型。经分析比较,融合光谱和图像特征并结合ELM算法建立的分类模型用于玉米籽粒霉变等级识别效果最优,训练集和测试集分类准确率(Acc)分别为94.21%和93.86%,并将玉米籽粒霉变等级进行可视化表达。