基于科优先策略的植物图像识别

植物识别领域的研究包括单一背景和自然环境植物图像识别,由于背景噪声的存在,自然环境植物图像识别难度更大。针对如何降低卷积神经网络（CNN）的权重大小、如何改善过拟合、如何提高模型对自然环境植物的识别率和泛化能力的问题,提出科优先（FP）的植物识别方法。与轻量卷积神经网络MobileNet模型结合,利用迁移学习的方法,建立基于MobileNet的科优先（FP-MobileNet）植物识别模型。单纯使用MobileNet模型在单一背景植物数据集flavia上获得了99.8%的识别率;对于更具挑战的自然环境花卉数据集flower102,在训练集样本数量大于测试集时FP-MobileNet获得了99.56%识别率,在训练集样本数量小于测试集时FP-MobileNet仍获得了95.56%的识别率。实验结果表明,两种数据集划分方案下FP-MobileNet的识别率均高于单纯的MobileNet模型;并且FP-MobileNet模型在获得较高识别率的同时,权重仅占13.7 MB,兼顾了精度和延迟,适合推广到需要轻量模型的移动设备。     

基于深度学习的木材缺陷图像的识别与定位

传统的木材缺陷定位方法主要有物理设备检测和传统计算机技术检测,但这两种方法均存在数据收集困难、高度依赖数据本身等问题,不适用于实际生产。本文提出一种基于深度学习的自动缺陷定位模型（Automatic defect location model, ADLM）,包含单缺陷定位模型（Single defect location model, SDLM）与多缺陷定位模型（Multi-defect location model, MDLM）,满足不同需求。模型使用MobileNet作为骨干网,只需少量数据集进行训练。在公开数据集Wood Defect Database中,该模型可获得86.1%的缺陷识别率。在单缺陷数据集中,该模型可获得97.5%的定位精确率。在多缺陷数据集中,该模型可获得90.0%的定位精确率。与传统的木材缺陷识别模型相比,基于深度学习的自动缺陷定位模型无须前期人工提取特征,具有检测速度更快、精准度更高以及适用性更广等优点。