基于卷积神经网络的多尺度葡萄图像识别方法

基于卷积神经网络的多尺度葡萄图像识别方法

【摘要】：葡萄品种质量检测需要识别多类别的葡萄,而葡萄图片中存在多种景深变化、多串等多种场景,单一预处理方法存在局限导致葡萄识别的效果不佳。实验的研究对象是大棚中采集的15个类别的自然场景葡萄图像,并建立相应图像数据集Vitis-15。针对葡萄图像中同一类别的差异较大而不同类别的差异较小的问题,提出一种基于卷积神经网络(CNN)的多尺度葡萄图像识别方法。首先,对Vitis-15数据集中的数据通过三种方法进行预处理:旋转图像的数据扩增方法、中心裁剪的多尺度图像方法以及前两种方法的数据融合方法;然后,采用迁移学习方法和卷积神经网络方法来进行分类识别,迁移学习选取ImageNet上预训练的Inception V3网络模型,卷积神经网络采用AlexNet、ResNet、Inception V3这三类模型;最后,提出适合Vitis-15的多尺度图像数据融合的分类模型MS-EAlexNet。实验结果表明,在同样的学习率和同样的测试集上,数据融合方法在MS-EAlexNet上的测试准确率达到了99.92%,相较扩增和多尺度图像方法提升了近1个百分点,并且所提方法在分类小样本数据集上具有较高的效率。

相关知识

基于卷积神经网络的花卉识别方法
基于超轻量级全卷积神经网络的花卉识别方法
基于轻量化卷积神经网络的番茄病害图像识别
基于卷积神经网络的花卉图像分类研究（32页）
基于卷积神经网络和集成学习的材质识别和分割方法研究
基于改进YoloV3卷积神经网络的番茄病虫害检测
卷积神经网络的算法范文
基于卷积神经网络的花卉识别技术 Flower Recognition Based on Convolutional Neural Networks
基于叶片图像多特征融合的观叶植物种类识别
基于深度卷积神经网络的移动端花卉识别系统

网址: 基于卷积神经网络的多尺度葡萄图像识别方法 https://www.huajiangbk.com/newsview417255.html