河南工业大学学报(自然科学版)

2022, v.43;No.207(03) 118-124

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于CNN-DBN的小麦不完善粒识别技术研究
Research on unsound wheat kernels recognition technology based on CNN-DBN

张庆辉;田欣欣;吕鹏涛;杨彬;

摘要(Abstract):

针对在实际应用场景下,小麦不完善粒识别数据较少所产生识别率不佳的问题,提出并实现了基于迁移学习的CNN-DBN小麦不完善粒识别方法。利用基于大型公开数据集ImageNet的预训练深度卷积神经网络(CNN)中的VGG-16、VGG-19和ResNet50进行小麦特征提取,将获取的特征加以融合并输送至深度信念网络(DBN)进行分类。结果表明:CNN和DBN结合的方法用于小麦不完善粒识别,其中迁移学习VGG-16+VGG-19+ResNet50-DBN模型性能最好,其测试准确率可达91.86%;CNN-DBN模型既避免了小麦复杂的特征提取步骤,又使不完善粒识别因数据集规模小而导致识别率不理想的问题得到了改善;特征融合的方法使提取到的小麦图像信息更加丰富、全面。CNN-DBN模型结合了有监督网络和无监督网络的优点,对高维数据有更好的分类能力,为小麦不完善粒识别提供了理论支持。

关键词(KeyWords): 迁移学习;特征融合;卷积神经网络;深度信念网络;小麦不完善粒识别

Abstract:

Keywords:

基金项目(Foundation): 教育部粮食信息处理与控制重点实验室开放项目(KFJJ-2020-109)

作者(Authors): 张庆辉;田欣欣;吕鹏涛;杨彬;

DOI: 10.16433/j.1673-2383.2022.03.016

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享