基于低场核磁成像的银杏胚检测及分类

• Published in: 农业工程学报 Vol. 38; no. 6; pp. 293 - 301
• Main Authors: 范凯旋, 顾盛, 汪希伟, 赵茂程, 汪贵斌, 李忠
• Format: Journal Article
• Language: Chinese
• Published: 南京林业大学机械电子工程学院,南京 210037%南京林业大学机械电子工程学院,南京 210037 15.03.2022; 泰州学院,泰州 225300%南京林业大学林学院,南京 210037%南京林业大学机电产品包装生物质材料国家地方联合工程研究中心,南京 210037
• Subjects: 内部品质; 银杏种子; 图像处理; VGG-16; 迁移学习; 无损检测; 低场核磁共振成像(LF-MRI); 分类
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2022.06.033

S351.5+1; 银杏胚的有无及发育状况直接影响播种后的发芽率,而这些无法人工检测.该研究基于低场核磁共振成像(Low-field Magnetic Resonance Imaging,LF-MRI)技术,结合深度学习,探索研究银杏种子内部缺陷检测方法.设计了一种基于改进的VGG-16迁移学习图像分类方法,在利用VGG-16卷积层对数据集进行迁移学习时,对模型的学习率、模型结构和归一化3个方面进行改进,比较研究调整初始学习率与更新周期、将全连接层替换为全局卷积层或全局平均池化层并扩展8种微调模型、添加3种归一化层对模型性能的影响.结果表明,全局平均池化层调用方便,能够替代全连接层融合深度特征,提升模型性能;分类输出层置于全局平均池化层后的分类效果较好;组归一化能提升模型性能,并使验证曲线收敛更稳定;学习率对迁移学习模型性能影响极大,使用分段常数衰减策略针对具体应用可有效提高模型性能.相比较VGG-16,该研究构建的基于VGG-Net的银杏种子MR图像识别模型(Ginkgo seed low-field MR images recognition model based on VGG-Net,GV)大小降低89％,参数量降低89％,训练时间减少64％,训练集与验证集损失分别降低64％与45％、准确率分别提高2.4与2.5个百分点,对正常、孔洞、有胚和无胚4个类别的银杏种子平均分类准确率达到97.40％.研究结果为无损监测银杏种子萌发过程、合理预测种子播种后的发芽率提供了思路.