论文部分内容阅读
如何高效准确的对不同类型的种子,以及异常的种子进行识别实现分选,这在农业领域中仍然是一个相对比较棘手的问题。采用传统的人工检测以及图像处理算法在作物种子的分选中具有效率低、自适应性不强的问题,所以寻找一种可以替代传统种子分选的方法,对不同了作物种子的识别和分类研究具有重要的意义和应用价值。卷积神经网络作为深度学习基本算法之一,它具有结构简单、适应能力强的特点。然而,基于卷积神经网络的相关算法与传统的图像处理方法相比,具有非常庞大的参数量以及计算量,严重阻碍了在计算资源受限的嵌入式系统的工业设备中的应用。为了深入研究关于种子分类的图像处理及模式识别问题,本文采用深度学习技术中的卷积神经网络算法对向日葵种子图像以及玉米种子图像进行识别和分析。1)基于当前先进的深度学习算法进行实验研究,提出了基于一种精简的用于种子分选任务的卷积神经网络模型。首先采用Alex Net、VGG、ResNet等网络在向日葵种子数据集上进行了验证比较。然后对ResNet18的中间层特征进行可视化调整网络中的卷积层数,卷积核的大小和数量等参数构建了ResNet10网络,实现了在基本保留原网络识别准确度的情况下显著的降低了参数量、计算量。2)针对卷积神经网络模型对于学习类别较少的种子图像数据仍然存在着很多冗余参数,在ResNet10上引入了异核卷积和通道注意力机制模块构建了LHCNet。首先,种子图像的复杂度远没有自然图像高,因此,使用小尺寸并且计算量少的1×1卷积与3×3卷积融合,在不降低网络提取种子图像特征能力的同时,能够有效的减少模型的计算量和参数量,从而提高图像识别的推理速度。其次,卷积层中的部分卷积核提取的有效的种子图像特征信息非常少,因此,在卷积层后引入了通道注意力机制模块学习每个通道特征的重要性,实现对特征的重新就校准,从而提高了模型的特征表示能力。3)本文对卷积神经网络特征利用率低的问题,在结构上做出了进一步的改进,构建了一个双分支的密集连接卷积神经网络模型并与SVM结合,双分支结构使提取到的特征信息更加的丰富,密集连接方式将浅层特征与深层特征进行融合,充分的提高了深层卷积网络对浅层特征的复用,从而提高了网络的对种子种类识别的精度。本文研究成果可用于农作物种子的品种识别,提高了现有种子分选方法的识别精度。并且精简的网络结构便于其在计算资源受限的前端设备中的部署,在分选系统中具有广泛的应用前景。