CN112115983A - 一种基于深度学习的农作物果实分拣算法 - Google Patents
一种基于深度学习的农作物果实分拣算法 Download PDFInfo
- Publication number
- CN112115983A CN112115983A CN202010884774.0A CN202010884774A CN112115983A CN 112115983 A CN112115983 A CN 112115983A CN 202010884774 A CN202010884774 A CN 202010884774A CN 112115983 A CN112115983 A CN 112115983A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- convolutional neural
- data
- downsampling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 20
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012886 linear function Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000220225 Malus Species 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习的农作物果实分拣算法，包括：步骤1、构建卷积神经网络(CNN)；步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络(CNN)的训练；步骤3、利用卷积神经网络(CNN)识别出农作物果实种类，并将数据写入对应的数据库。本发明的有益效果是：本发明提高农作物果实分拣效率和降低分拣的失误率，从而降低水果生产成本。本发明将目前技术成熟的深度学习图像识别技术同传统安全的PLC控制器相结合，制作一台方便、安全、智能和高效率的农作物果实分拣机。本发明农作物果实识别正确率高、速度快，鲁棒性高、实用性广泛，可以解决传统人工分拣效率低、人工成本高的问题。
Description
技术领域
本发明涉及农作物果实分拣领域，尤其涉及一种基于深度学习的农作物果实分拣算法。
背景技术
我国作为一个传统的农业大国，每年农作物果实的产量和销售量相较于之前都有大幅提高。但是我国在水果的后期分拣处理方面存在长期大量的依赖人工作业的现象，这就会导致农作物果实分拣的效率和标准度会因人而异、因地而异、因时而异。长期大量使用人工对水果进行分拣还会出现错误率随工作时间递增，农作物果实生产成本随工人数量递增等情况，这样会增加生产成本，导致农作物果实在价格上的竞争力相对偏低。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于深度学习的农作物果实分拣算法。
这种基于深度学习的农作物果实分拣算法，包括以下步骤：
步骤1、构建卷积神经网络(CNN)；卷积神经网络由输入层、卷积层、下采样层、全连接层和分类器这五个部分组成；输入层的输入为水果图像灰度像素矩阵；输入层的输入上传到卷积层，卷积层包括卷积层C1和卷积层C2；下采样层包括下采样层S1和下采样层S2；输出层采用全连接的连接方式与下采样层S2的特征图连接；
步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络(CNN)的训练；
步骤3、利用卷积神经网络(CNN)识别出农作物果实种类，并将数据写入对应的数据库；
步骤4、计算机利用python中pymysql库文件，对数据库进行操作，再通过组态软件读取数据库的数据，PLC控制器得到控制信号，启动电磁阀完成农作物果实分类。
作为优选，所述步骤2具体包括如下步骤：
步骤2.1、建立三个神经元，将x1和x2作为卷积神经网络的两个输入，将两个输入和三个神经元之间的权重依次记为w11、w12、···、w23，三个神经元的偏置分别为b1、b2和b3；权重w无范围限定，取决于激活函数，如果激活函数是sigmoid或tanh，要避免权重w过大，导致x*w+b过大，配合激活函数使out一直都是1，使整个CNN无意义；
步骤2.2、将所有权重初始化为随机数，使用训练集中的全部样本训练一次(即开始第一个epoch)；将第一个批处理(batch)送入卷积神经网络(CNN)；
步骤2.2.1、采用梯度下降作为优化算法，选取随机数作为卷积神经网络的初始参数，进行前向传播和反向传播，将结果与期望值比较，计算损失函数并更新卷积神经网络(CNN)的参数：
out＝g(f(x1w11+x2w21+b1)·w13+f(x1w12+x2w22+b2)·w23+b3)
上式中，将非线性函数f和g作为激活函数(如：Sigmoid，tanh，Relu；Relu的函数表达式为
Sigmoid的函数表达式为
tanh的函数表达式为
)：线性函数之间的嵌套任然会得到线性函数，如果只是把神经元简单连接在一起，不加入非线性处理，得到的仍然是线性函数，就无法进行复杂描述；out为卷积神经网络的输出，x1和x2为卷积神经网络的2个输入，w11、w12、w13、w21、w22和w23为三个神经元之间的权重；b1、b2和b3为三个神经元的偏置；
损失函数为:
Loss＝(OUT-期望输出)2
上式中，Loss为损失函数，OUT为卷积神经网络的输出；
权重更新公式为：
上式中，wnew为新的权重，w为指之前的权重，η是指学习率，Loss为损失函数；
步骤2.2.2、将下一个批处理(batch)送入卷积神经网络(CNN)；
步骤2.2.3、重复执行步骤2.2.1至步骤2.2.2，处理一定数量的批处理(batch)，直至所有训练集数据完成训练；
步骤2.3、将测试集送入卷积神经网络(CNN)，前向传播，将结果与期望值比较，计算损失；
步骤2.4、将训练集中的数据打乱，继续使用训练集中的全部样本训练卷积神经网络(CNN)(开始第2个epoch)；根据训练集的损失和测试集的损失，选择接下来的动作；接下来的动作包括调整学习速率、停止训练或停止训练并修改超参数。
作为优选，所述步骤3具体包括如下步骤：
步骤3.1、将水果图像灰度像素矩阵作为输入层的输入,输入层水果图像的规格为32×32像素；
步骤3.2、卷积层C1对图像灰度像素矩阵进行卷积运算：借助多种不同卷积核(即滤波器)获得多种不同的特征提取层，利用卷积操作提取特征提取层的原始信号特征，增强原始信号的抗干扰能力；由于局部连接区域的大小由卷积核的尺寸决定，而局部连接区域的大小将直接影响CNN的识别性能，因此将选用规格为5×5的卷积核，将卷积核(即滤波器)在灰度像素矩阵里不断平移，平移过程中将卷积核覆盖原来的灰度像素矩阵部分，对应元素相乘并相加；
步骤3.3、下采样层S1(池化层)对卷积层C1利用简单缩放的方式进行下采样处理，得到6个规格为14×14的特征图，极大程度上降低了C1的多个特征图分辨率，不仅减少了后面网络的出入权重参数数量，并提高了输出面向位移变形的抗敏感性，从而保障了CNN在面临缩放、位移等情况时的稳健性；
步骤3.4、卷积层C2采用与卷积层C1大致相同的方式进行特征图提取：将卷积核(即滤波器)的尺寸规格设定为5×5，并对下采样层S1中的特征图进行卷积操作，获得16个规格为10×10的特征图；卷积层C2这种卷积方式不仅能够破坏网络常规对称性，还能使卷积层C2与下采样层S1的连接数量控制在正常范围内，最适合应用于不同特征的提取当中；
步骤3.5、下采样层S2对卷积层C2利用简单缩放的方式进行下采样处理，通过2×2窗口进行下采样工作，得到16个规格为5×5的特征图；
步骤3.6、输出层采用全连接的连接方式与下采样层S2的特征图连接；将输出层神经元数设定为农作物果实的种类总数(在下采样层S2的16个规格为5×5的特征图中，包含的神经元高达400个，但本发明仅需对6类水果开展分类识别，因此将输出层神经元数设定为6个，最终将得出2400个连接)；步骤3.7、采用Softmax回归模型作为分类器进行分类：
步骤3.7.1、Softmax回归模型处理多分类问题时，类标签y取K个不同值；对于训练集设置m个已标记样本{(x(1),y(1)),…，(x(m),y(m))}，其中y为类标签，x为特征向量；特征向量x的维度为n+1，x0＝1对应截距项；
步骤3.7.2、设输入测试元素为x，在分类测试过程中，计算每种类别j存在的识别概率：
上式中，x为输入测试元素，j为类别，i为样本序号，y为类标签，p(y(i))为第i个样本对应的类标签的识别概率，hθ(x(i))为第i个样本是不同类别的概率，θ1，θ2，···，θk∈Rn +1为分类器模型参数，
为对分类识别概率数据的归一化处理，提高分类的精度；
步骤3.7.3、在Softmax回归模型进行图像分类测算的过程中，将分类器模型参数θ以矩阵的形式表示为：
上式中，k为类标签y的个数；
步骤3.7.4、求得Softmax回归模型的代价函数为：
上式中，θ为分类器模型参数，m为已标记样本个数，j为类别，i为样本序号，y(i)为第i个样本对应的类标签，
为对分类识别概率数据的归一化处理；
步骤3.7.5、根据Softmax回归模型的代价函数J(θ)，将输入测试元素x分类为类别j的概率为：
上式中，y(i)为第i个样本对应的类标签，θ为分类器模型参数，j为类别，
为对分类识别概率数据的归一化处理，x(i)为第i个已标记样本；对上式求导，得出梯度公式为：
上式中，λ为权重衰减项的系数，当λ>0时，损失函数Loss变成严格的凸函数，参数空间存在唯一的全局最优解。
作为优选，所述步骤1中：下采样层S1用于对卷积层C1进行下采样处理，下采样层S2用于对卷积层C2进行下采样处理。
作为优选，所述步骤2.2.3中一定数量等于数据集数据个数/测试集数据个数。
作为优选，所述步骤3.3和步骤3.5中简单缩放的缩放因子值设置为2。
作为优选，所述步骤3.4中卷积层C2对下采样层S1中的特征图进行卷积操作，与S1层的关系并非一一对应，的对应关系为扩张卷积、可变形卷积或Sobel算子卷积。
作为优选，所述步骤2.1中卷积神经网络的输入为训练集中数据样本的多个属性。
本发明的有益效果是：本发明提高农作物果实分拣效率和降低分拣的失误率，从而降低水果生产成本。本发明将目前技术成熟的深度学习图像识别技术同传统安全的PLC控制器相结合，制作一台方便、安全、智能和高效率的农作物果实分拣机。本发明农作物果实识别正确率高、速度快，鲁棒性高、实用性广泛，可以解决传统人工分拣效率低、人工成本高的问题。
附图说明
图1为神经网络模型图；
图2为CNN网络水果图像网络架构图；
图3为卷积层操作流程图；
图4为下采样层流程图；
图5为农作物果实分拣机分拣流程图。
图6为分拣装置简图。
附图标记说明：计算机1、相机镜头2、光源3、光电传感器4、工作台5、物料6、槽7、电磁阀组8、电机9、传送带10、光电编码盘11、PLC控制器12。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
近几年，随着深度学习的广泛应用，基于深度学习的图像识别技术越来越被行业所采用。本发明提出一种基于深度学习的农作物果实分拣算法。
作为一种实施例，一种基于深度学习的农作物果实分拣算法，使用如图6所示的分拣装置。该分拣装置包括：计算机1、相机镜头2、光源3、光电传感器4、工作台5、槽7、电磁阀组8、电机9、传送带10、光电编码盘11和PLC控制器12；所述相机镜头2、电磁阀组8和PLC控制器12均与计算机1电连接；传送带10上设有光电编码盘11，传送带10与电机9电连接；传送带10上还设有槽7和工作台5，工作台5正上方设有相机镜头2，光源3位于光电传感器4正上方，光电传感器4与工作台5处于同一高度；传送带10用于放置物料6。PLC控制器选型为西门子S7-200，PLC控制器的IO口设置见下表1：
表1PLC控制器的IO口设置参数表
分拣装置的分拣流程为：
步骤1、获取分拣装置的初始状态；
步骤2、判断是否按下停止按钮，若按下，则返回执行步骤1；若未按下停止按钮，则执行步骤3；
步骤3、判断是否按下启动按钮，若未按下启动按钮，则返回执行步骤1；若按下启动按钮，则相机镜头2拍摄照片，执行步骤4；
步骤4、采用卷积神经网络(CNN)进行农作物果实的识别，识别出农作物果实种类，并将数据写入对应的数据库；
步骤5、计算机利用python中pymysql库文件，对数据库进行操作，再通过组态软件读取数据库的数据，PLC控制器得到控制信号，启动电磁阀完成农作物果实分类。
假设数据共有1000个(即1000个输入和1000个期望输出)，批大小为100。那么训练卷积神经网络(CNN)的过程如下：
1)读入所有数据。
2)将数据划分为训练集和测试集，例如前900个数据作为数据集，后100个作为测试集。
3)开始第一个epoch。将训练集的900个数据打乱，注意输入和输出保持正确的对应。
4)将第一个batch，即打乱后的数据的第1～10号，送入网络。
5)正向传播。将结果与期望值比较，计算损失。
6)反向传播。更新网络参数。
7)将第2个batch，即打乱后的数据的第11～20号，送入网络。重复上述过程。
8)在所有训练集完成后，即经过个900/100＝9个batch后，完成第一个epoch。
9)将测试集送入网络。正向传播。将结果与期望值比较，计算损失。
10)观察训练集的损失和测试集的损失，做一些事情，例如，可能需调整学习速率，或停止训练，或停止训练并修改超参数。
11)开始第2个epoch。将训练集的900个数据再次打乱。重复上述过程。
12)在Ubuntu 16.04环境下训练数据：运行由基于深度学习的农作物果实分拣算法组成的python程序，依次识别出apple、apple、apple、huanggua、huanggua、apple、huanggua、huanggua、apple、apple、huanggua、huanggua(Loss下降到0.0528以下代表卷积神经网络(CNN)已经具备了较高的精准度)；从以上农作物果实中识别出苹果，并将数据写入数据库的表(见下表2)中；
表2从农作物果实中识别苹果情况表
| Count | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
| Num | 1 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 |
上表2中Count为计数器，表示检测的第几个果实，Num的下列数字1表示识别物为apple0表示识别物为huanggua；PLC控制器启动电磁阀完成农作物果实分类。
Claims (7)
1.一种基于深度学习的农作物果实分拣算法，其特征在于，包括以下步骤：
步骤1、构建卷积神经网络；卷积神经网络由输入层、卷积层、下采样层、全连接层和分类器组成；输入层的输入为水果图像灰度像素矩阵；输入层的输入上传到卷积层，卷积层包括卷积层C1和卷积层C2；下采样层包括下采样层S1和下采样层S2；输出层采用全连接的连接方式与下采样层S2的特征图连接；
步骤2、读入所有数据，将数据划分为训练集和测试集，进行卷积神经网络的训练；
步骤3、利用卷积神经网络识别出农作物果实种类，并将数据写入对应的数据库；
步骤4、计算机对数据库进行操作，再通过组态软件读取数据库的数据，PLC控制器得到控制信号，启动电磁阀完成农作物果实分类。
2.根据权利要求1所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤2具体包括如下步骤：
步骤2.1、建立三个神经元，将x1和x2作为卷积神经网络的两个输入，将两个输入和三个神经元之间的权重依次记为w11、w12、···、w23，三个神经元的偏置分别为b1、b2和b3；
步骤2.2、将所有权重初始化为随机数，使用训练集中的全部样本训练一次；将第一个批处理送入卷积神经网络；
步骤2.2.1、采用梯度下降作为优化算法，选取随机数作为卷积神经网络的初始参数，进行前向传播和反向传播，将结果与期望值比较，计算损失函数并更新卷积神经网络的参数：
out＝g(f(x1w11+x2w21+b1)·w13+f(x1w12+x2w22+b2)·w23+b3)
上式中，将非线性函数f和g作为激活函数；out为卷积神经网络的输出，x1和x2为卷积神经网络的2个输入，w11、w12、w13、w21、w22和w23为三个神经元之间的权重；b1、b2和b3为三个神经元的偏置；
损失函数为:
Loss＝(OUT-期望输出)2
上式中，Loss为损失函数，OUT为卷积神经网络的输出；
权重更新公式为：
上式中，wnew为新的权重，w为指之前的权重，η是指学习率，Loss为损失函数；
步骤2.2.2、将下一个批处理送入卷积神经网络；
步骤2.2.3、重复执行步骤2.2.1至步骤2.2.2，处理一定数量的批处理，直至所有训练集数据完成训练；
步骤2.3、将测试集送入卷积神经网络，前向传播，将结果与期望值比较，计算损失；
步骤2.4、将训练集中的数据打乱，继续使用训练集中的全部样本训练卷积神经网络；根据训练集的损失和测试集的损失，选择接下来的动作；接下来的动作包括调整学习速率、停止训练或停止训练并修改超参数。
3.根据权利要求1所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤3具体包括如下步骤：
步骤3.1、将水果图像灰度像素矩阵作为输入层的输入,输入层水果图像的规格为32×32像素；
步骤3.2、卷积层C1对图像灰度像素矩阵进行卷积运算：借助卷积核获得特征提取层，利用卷积操作提取特征提取层的原始信号特征；选用规格为5×5的卷积核，将卷积核在灰度像素矩阵里不断平移，平移过程中将卷积核覆盖原来的灰度像素矩阵部分，对应元素相乘并相加；
步骤3.3、下采样层S1对卷积层C1利用简单缩放的方式进行下采样处理，得到6个规格为14×14的特征图；
步骤3.4、卷积层C2进行特征图提取：将卷积核的尺寸规格设定为5×5，并对下采样层S1中的特征图进行卷积操作，获得16个规格为10×10的特征图；
步骤3.5、下采样层S2对卷积层C2利用简单缩放的方式进行下采样处理，通过2×2窗口进行下采样工作，得到16个规格为5×5的特征图；
步骤3.6、输出层采用全连接的连接方式与下采样层S2的特征图连接；将输出层神经元数设定为农作物果实的种类总数；
步骤3.7、采用Softmax回归模型作为分类器进行分类：
步骤3.7.1、对于训练集设置m个已标记样本{(x(1),y(1)),…，(x(m),y(m))}，其中y为类标签，x为特征向量；特征向量x的维度为n+1，x0＝1对应截距项；
步骤3.7.2、设输入测试元素为x，在分类测试过程中，计算每种类别j存在的识别概率：
上式中，x为输入测试元素，j为类别，i为样本序号，y为类标签，p(y(i))为第i个样本对应的类标签的识别概率，hθ(x(i))为第i个样本是不同类别的概率，θ1，θ2，···，θk∈Rn+1为分类器模型参数，
为对分类识别概率数据的归一化处理；
步骤3.7.3、在Softmax回归模型进行图像分类测算的过程中，将分类器模型参数θ以矩阵的形式表示为：
上式中，k为类标签y的个数；
步骤3.7.4、求得Softmax回归模型的代价函数为：
上式中，θ为分类器模型参数，m为已标记样本个数，j为类别，i为样本序号，y(i)为第i个样本对应的类标签，
为对分类识别概率数据的归一化处理；
步骤3.7.5、根据Softmax回归模型的代价函数J(θ)，将输入测试元素x分类为类别j的概率为：
上式中，y(i)为第i个样本对应的类标签，θ为分类器模型参数，j为类别，
为对分类识别概率数据的归一化处理，x(i)为第i个已标记样本；对上式求导，得出梯度公式为：
上式中，λ为权重衰减项的系数，当λ>0时，损失函数Loss变成严格的凸函数，参数空间存在唯一的全局最优解。
4.根据权利要求1所述基于深度学***均池化和最大值池化；平均池化取缩放矩阵覆盖原始矩阵内的所有数值取平均；最大值池化取缩放矩阵覆盖原始矩阵内的最大值。
5.根据权利要求2所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤2.2.3中一定数量等于数据集数据个数/测试集数据个数。
6.根据权利要求3所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤3.3和步骤3.5中简单缩放的缩放因子值设置为2。
7.根据权利要求3所述基于深度学习的农作物果实分拣算法，其特征在于：所述步骤3.4中卷积层C2对下采样层S1中的特征图进行卷积操作，与S1层的对应关系为扩张卷积、可变形卷积或Sobel算子卷积。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010884774.0A CN112115983A (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的农作物果实分拣算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010884774.0A CN112115983A (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的农作物果实分拣算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112115983A true CN112115983A (zh) | 2020-12-22 |
Family
ID=73805432
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010884774.0A Pending CN112115983A (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的农作物果实分拣算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112115983A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113065585A (zh) * | 2021-03-23 | 2021-07-02 | 北京亮亮视野科技有限公司 | 图像合成模型的训练方法、装置与电子设备 |
| CN113160114A (zh) * | 2021-01-29 | 2021-07-23 | 珠海迪沃航空工程有限公司 | 一种用于螺栓检测的动态图像识别方法及*** |
| WO2023018387A1 (en) * | 2021-08-11 | 2023-02-16 | Agcurate Bilgi Teknolojileri Anonim Sirketi | A crop classification method using deep neural networks |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021910A (zh) * | 2018-01-04 | 2018-05-11 | 青岛农业大学 | 基于图谱识别和深度学习的果实分类的分析方法 |
| CN110309707A (zh) * | 2019-05-08 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习的咖啡果实成熟度的识别方法 |
| CN110694921A (zh) * | 2019-09-06 | 2020-01-17 | 北京农业智能装备技术研究中心 | 蔬菜分拣***及其控制方法 |
-
2020
- 2020-08-28 CN CN202010884774.0A patent/CN112115983A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108021910A (zh) * | 2018-01-04 | 2018-05-11 | 青岛农业大学 | 基于图谱识别和深度学习的果实分类的分析方法 |
| CN110309707A (zh) * | 2019-05-08 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习的咖啡果实成熟度的识别方法 |
| CN110694921A (zh) * | 2019-09-06 | 2020-01-17 | 北京农业智能装备技术研究中心 | 蔬菜分拣***及其控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 龙鑫: "基于卷积神经网络的人脸识别研究", 《中国优秀博硕士学位论文全文数据库（硕士）信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160114A (zh) * | 2021-01-29 | 2021-07-23 | 珠海迪沃航空工程有限公司 | 一种用于螺栓检测的动态图像识别方法及*** |
| CN113065585A (zh) * | 2021-03-23 | 2021-07-02 | 北京亮亮视野科技有限公司 | 图像合成模型的训练方法、装置与电子设备 |
| CN113065585B (zh) * | 2021-03-23 | 2021-12-28 | 北京亮亮视野科技有限公司 | 图像合成模型的训练方法、装置与电子设备 |
| WO2023018387A1 (en) * | 2021-08-11 | 2023-02-16 | Agcurate Bilgi Teknolojileri Anonim Sirketi | A crop classification method using deep neural networks |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112115983A (zh) | 一种基于深度学习的农作物果实分拣算法 | |
| Azizah et al. | Deep learning implementation using convolutional neural network in mangosteen surface defect detection | |
| CN109977808B (zh) | 一种晶圆表面缺陷模式检测与分析方法 | |
| KR102329152B1 (ko) | 샘플링 및 특징 선택 없는 자동 결함 분류 | |
| US20190164047A1 (en) | Object recognition using a convolutional neural network trained by principal component analysis and repeated spectral clustering | |
| Sakib et al. | Implementation of fruits recognition classifier using convolutional neural network algorithm for observation of accuracies for various hidden layers | |
| CN111783772A (zh) | 一种基于RP-ResNet网络的抓取检测方法 | |
| CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
| CN114332621A (zh) | 一种基于多模型特征融合的病虫害识别方法及*** | |
| Lin et al. | Determination of the varieties of rice kernels based on machine vision and deep learning technology | |
| CN112800927B (zh) | 一种基于AM-Softmax损失的蝴蝶图像细粒度识别方法 | |
| CN112364974B (zh) | 一种基于激活函数改进的YOLOv3算法 | |
| CN113657294A (zh) | 一种基于计算机视觉的作物病虫害检测方法及*** | |
| CN116071560A (zh) | 一种基于卷积神经网络的水果识别方法 | |
| Das et al. | Automated tomato maturity grading system using CNN | |
| CN114463269A (zh) | 一种基于深度学习方法的芯片缺陷检测方法 | |
| WO2024078112A1 (zh) | 一种舾装件智能识别方法、计算机设备 | |
| CN111259913A (zh) | 一种基于词袋模型和纹理特征的细胞光谱图像分类方法 | |
| CN115661042A (zh) | 一种基于注意力机制指导的分层分类缺陷检测方法 | |
| CN113469129A (zh) | 一种基于卷积神经网络的小麦杂质图像检测方法 | |
| CN113870241A (zh) | 一种基于胶囊神经网络的药片缺陷识别方法和装置 | |
| Roshan et al. | Smart Harvest Diseases Identification using Image Processing | |
| Singh et al. | Rice kernels classification with deep learning using a modified dataset mimicking real-world conditions | |
| Won et al. | Classification of defects in the polarizer of display panels using the Convolution Neural Network (CNN) | |
| CN111507960A (zh) | 一种基于神经网络可视化的摄像模组镜头脏污检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201222 |