發(fā)布時(shí)間：2020-12-02 11:23

　　如何高效準(zhǔn)確的對(duì)不同類型的種子,以及異常的種子進(jìn)行識(shí)別實(shí)現(xiàn)分選,這在農(nóng)業(yè)領(lǐng)域中仍然是一個(gè)相對(duì)比較棘手的問(wèn)題。采用傳統(tǒng)的人工檢測(cè)以及圖像處理算法在作物種子的分選中具有效率低、自適應(yīng)性不強(qiáng)的問(wèn)題,所以尋找一種可以替代傳統(tǒng)種子分選的方法,對(duì)不同了作物種子的識(shí)別和分類研究具有重要的意義和應(yīng)用價(jià)值。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)基本算法之一,它具有結(jié)構(gòu)簡(jiǎn)單、適應(yīng)能力強(qiáng)的特點(diǎn)。然而,基于卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)算法與傳統(tǒng)的圖像處理方法相比,具有非常龐大的參數(shù)量以及計(jì)算量,嚴(yán)重阻礙了在計(jì)算資源受限的嵌入式系統(tǒng)的工業(yè)設(shè)備中的應(yīng)用。為了深入研究關(guān)于種子分類的圖像處理及模式識(shí)別問(wèn)題,本文采用深度學(xué)習(xí)技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)向日葵種子圖像以及玉米種子圖像進(jìn)行識(shí)別和分析。1)基于當(dāng)前先進(jìn)的深度學(xué)習(xí)算法進(jìn)行實(shí)驗(yàn)研究,提出了基于一種精簡(jiǎn)的用于種子分選任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)模型。首先采用Alex Net、VGG、ResNet等網(wǎng)絡(luò)在向日葵種子數(shù)據(jù)集上進(jìn)行了驗(yàn)證比較。然后對(duì)ResNet18的中間層特征進(jìn)行可視化調(diào)整網(wǎng)絡(luò)中的卷積層數(shù),卷積核的大小和數(shù)量等參數(shù)構(gòu)建了ResNet10網(wǎng)絡(luò),實(shí)現(xiàn)了在基本保留原網(wǎng)絡(luò)識(shí)別準(zhǔn)確度的情況下顯著的降... 

【文章來(lái)源】：中原工學(xué)院河南省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

自動(dòng)種子分選系統(tǒng)

中原工學(xué)院碩士學(xué)位論文4圖1.2傳統(tǒng)的分選系統(tǒng)的流程框圖如圖1.2，傳統(tǒng)的機(jī)器視覺(jué)及圖像處理算法都是采用人工提取圖像的特征描述子，然后使用KNN，SVM，RF和ANNs等分類器實(shí)現(xiàn)。然而，由于谷類作物的多樣性以及在形狀、顏色、紋理的相似性，并且在實(shí)際的種子分選過(guò)程中，由于種子的位置及方向的隨機(jī)性，所以尺度和旋轉(zhuǎn)不變性算法用于提取的特征種子特別重要。傳統(tǒng)的圖像處理算法在識(shí)別種子品種時(shí)的準(zhǔn)確性有限，無(wú)論是從分選系統(tǒng)中獲取的高分辨率的圖像，使用大量復(fù)雜的特征，以及選擇使用合適的分類器，都與良好的識(shí)別精度密切相關(guān)。雖然目前已有的基于傳統(tǒng)的視覺(jué)分類方法在作物種子分選領(lǐng)域取得了很多的成果，但傳統(tǒng)的基于視覺(jué)的方法難以提取圖像的深層判別性特征，泛化能力較差。1.2.2卷積神經(jīng)網(wǎng)絡(luò)算法研究現(xiàn)狀深度學(xué)習(xí)是一種流行的方法，通常用于圖像處理任務(wù)，如檢測(cè)、分類和分割等。尤其是深度學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)(CNN)，不需要任何手工特征提取的過(guò)程，可以通過(guò)訓(xùn)練自動(dòng)從圖像數(shù)據(jù)中學(xué)習(xí)具有判別性的高級(jí)語(yǔ)義特征表示。卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)相對(duì)較早的研究，早在20世紀(jì)80年代就有文獻(xiàn)提出了不同類型的卷積網(wǎng)絡(luò)。雖然這些較老的卷積網(wǎng)絡(luò)的設(shè)計(jì)相當(dāng)完善，但它們需要的計(jì)算資源超過(guò)了當(dāng)時(shí)可用的計(jì)算機(jī)設(shè)備。因此，在研究文獻(xiàn)中，卷積網(wǎng)絡(luò)的發(fā)展相對(duì)滯后。這一趨勢(shì)在2012年ILSVRC圖像目標(biāo)檢測(cè)挑戰(zhàn)之后發(fā)生了逆轉(zhuǎn)，Hinton和他的學(xué)生通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)和改進(jìn)算法提出了AlexNet[16]，針對(duì)分類問(wèn)題將TOP-5錯(cuò)誤率從原來(lái)的26.2%降低至15.3%，當(dāng)時(shí)AlexNet的錯(cuò)誤率只有其最

中原工學(xué)院碩士學(xué)位論文9圖2.1卷積操作示意圖卷積層對(duì)輸入數(shù)據(jù)的的計(jì)算公式可以表示為：1,1(),1,2,,NllljiijjiyfxwbjM（2.1）其中，liy表示第l層的第i個(gè)特征圖，l1ix表示第l1層的第i個(gè)特征圖，lib表示為第l層卷積的偏置項(xiàng)，如圖2.1所示，左圖表示一個(gè)空間尺寸為77的特征圖，卷積核大小為33，將卷積核以步長(zhǎng)1的方式卷積，在加上一個(gè)偏置，通過(guò)網(wǎng)絡(luò)的激活函數(shù)，得到卷積層的輸出結(jié)果。經(jīng)過(guò)卷積操作后，特征圖的輸出尺寸計(jì)算公式為21Wkpws（2.2）W表示輸入圖像大小，k表示卷積核的大小，p表示對(duì)輸入圖像補(bǔ)零，w表示卷積操作后輸出圖像的尺寸。2.1.2池化層池化層通常位于卷積層的后面，是一個(gè)非線性下采樣的過(guò)程。池化操作在每個(gè)層中大小為pp的小網(wǎng)格區(qū)域上工作，并生成具有相同深度的另一層，也就是說(shuō)池化操作不會(huì)改變特征圖的維數(shù)。常用的有均值池化和最大池化。其中，對(duì)于每個(gè)個(gè)激活映射中大小為的每個(gè)正方形區(qū)域，返回該區(qū)域的平均值，稱為均值池化。對(duì)于每個(gè)激活映射中大小為的每個(gè)正方形區(qū)域，將返回這些值的最大值，這種方法稱為最大池化。如果使用1的步長(zhǎng)，那么將產(chǎn)生一個(gè)新的層。然而，在池化層中通常使用池化步長(zhǎng)大于1更常見(jiàn)。在這種情況下，池化層大大降低了每個(gè)特征圖的空間尺寸。當(dāng)需要減少激活特征的空間占用時(shí)，通常使用窗口為2×2步長(zhǎng)為2的池化層。池化操作使模型更加關(guān)注是否存在某些特征而不是特征具體的位置，因此稍微移動(dòng)圖像并不會(huì)顯著改變激活圖，這種

【參考文獻(xiàn)】：
期刊論文
[1]基于圖像識(shí)別和卷積神經(jīng)網(wǎng)絡(luò)的大豆優(yōu)良籽粒篩選研究[J]. 朱榮勝,閆學(xué)慧,陳慶山.  大豆科學(xué). 2020(02)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的鮮茶葉智能分選系統(tǒng)研究[J]. 高震宇,王安,劉勇,張龍,夏營(yíng)威.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(07)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的紅棗外觀品質(zhì)分級(jí)方法研究[D]. 徐文龍.天津工業(yè)大學(xué) 2019



本文編號(hào)：2895219