10.16433/j.1673-2383.2022.03.016
基于CNN-DBN的小麦不完善粒识别技术研究
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.
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
43
TS210(食品工业)
教育部重点实验室开放基金KFJJ-2020-109
2022-07-20（万方平台首次上网日期，不代表论文的发表时间）
共7页
118-124
