采用机器视觉与自适应卷积神经网络检测花生仁品质

TP391.41%TP274+.3; 该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法.构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征.为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络.为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测.试验结果表明,该方法对花生常见缺陷的平均识别率达99.7％,与传统的深度网络相比实现了更...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 36; no. 4; pp. 269 - 277
Main Authors 张思雨, 张秋菊, 李可
Format Journal Article
LanguageChinese
Published 江南大学机械工程学院,无锡,214122 15.02.2020
Subjects
自适应卷积神经网络
机器视觉
领域自适应
农产品
迁移学习
无损检测
自适应学习率
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2020.04.032

Cover

More Information
Summary:TP391.41%TP274+.3; 该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法.构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征.为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络.为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测.试验结果表明,该方法对花生常见缺陷的平均识别率达99.7％,与传统的深度网络相比实现了更高的收敛速度与识别精度.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2020.04.032