基于全卷积神经网络的荔枝表皮缺陷提取

S24%TP391.41; [目的]增强荔枝表皮缺陷提取效果,满足其品质检测分级准确性要求.[方法]采用Tensorflow框架构建基于AlexNet的全卷积神经网络AlexNet-FCN,以ReLU为激活函数,Max-pooling为下采样方法,Softmax回归分类器的损失函数作为优化目标,建立荔枝表皮缺陷提取的全卷积神经网络模型,并用批量随机梯度下降法对模型进行优化.[结果]模型收敛后在验证集上裂果交并比(IoUd)为0.83,褐变交并比(IoUb)为0.60,褐变与裂果的总体交并比(IoUa)为0.68;与利用线性SVM、朴素贝叶斯分类器缺陷提取效果相比,该模型的特征提取能力显著提高....

Full description

Saved in:
Bibliographic Details
Published in华南农业大学学报 Vol. 39; no. 6; pp. 104 - 110
Main Authors 王佳盛, 陈燕, 曾泽钦, 李嘉威, 刘威威, 邹湘军
Format Journal Article
LanguageChinese
Published 华南农业大学 工程学院/南方农业机械与装备关键技术教育部重点实验室,广东 广州,510642 01.11.2018
Subjects
荔枝
全卷积神经网络
缺陷提取
图像处理
深度学习
品质检测
Online AccessGet full text
ISSN1001-411X
DOI10.7671/j.issn.1001-411X.2018.06.016

Cover

More Information
Summary:S24%TP391.41; [目的]增强荔枝表皮缺陷提取效果,满足其品质检测分级准确性要求.[方法]采用Tensorflow框架构建基于AlexNet的全卷积神经网络AlexNet-FCN,以ReLU为激活函数,Max-pooling为下采样方法,Softmax回归分类器的损失函数作为优化目标,建立荔枝表皮缺陷提取的全卷积神经网络模型,并用批量随机梯度下降法对模型进行优化.[结果]模型收敛后在验证集上裂果交并比(IoUd)为0.83,褐变交并比(IoUb)为0.60,褐变与裂果的总体交并比(IoUa)为0.68;与利用线性SVM、朴素贝叶斯分类器缺陷提取效果相比,该模型的特征提取能力显著提高.[结论]全卷积神经网络在水果表面缺陷提取中具有良好的应用前景.
ISSN:1001-411X
DOI:10.7671/j.issn.1001-411X.2018.06.016