基于卷积神经网络的红枣外观品质分级方法研究

摘要

红枣营养极为丰富，是重要的滋补和药用食品，同时也是重要的食品工业原料。然而，在红枣采摘和运输的过程中，遭受虫害、浆烂、裂口和破损的红枣，容易发生交叉感染，严重影响到整体红枣的质量，并且直接关系到果农和整个红枣产业的经济效益。因此，红枣品质分类成为红枣进行储存、运输和深加工的首要和关键环节。目前，国内主要通过人工对红枣品质进行分选，存在劳动强度大、成本高、效率低等缺点，分类准确率和卫生质量难以得到保障。为了迎合市场和企业需求，找到一种自动、高效、无损的红枣品质分类方法，成为解决红枣外观品质分类问题的关键。 针对红枣外观品质进行分级的工作，本文提出一种基于双分支深度融合卷积神经网络(Double Branch Deep Fusion，DDFnet)的红枣外观品质分级方法。首先，将卷积神经网络设计为双分支结构，第1条分支网络结合迁移学习策略，利用在大型数据集ImageNet上训练生成的SqueezeNet网络模型对卷积神经网络进行预训练。第2条分支网络，在轻量级网络SqueezeNet结构的基础上，通过将Fire模块内部squeeze与expand卷积层输出特征图进行融合，从而构成Fusion模块，并将相邻Fusion模块输出的特征图进行融合，增加特征图流动的分支数目和融合次数。同时在网络结构中引入BN批量归一化层和PReLU激活层，加快网络的收敛速率。然后，通过该卷积神经网络对红枣图像数据集进行训练，提取不同红枣品质图像特征，生成训练模型，并完成红枣品质识别的多分类任务。最后，利用生成的模型对测试集红枣样本进行测试，该模型在对饱满枣、干条枣、裂口枣和缺陷枣的分类识别上，分别表现出了99.6％、99.8％、98.5％和99.2％的准确率。实验结果表明，该模型在红枣外观品质分类上表现出了良好的性能。

目录

声明

摘要

第一章绪论

1．1课题研究背景及意义

1．2国内外研究现状

1．3论文研究内容及组织结构

第二章卷积神经网络的基础理论

2．1 CNN的研究历程

2．2 CNN的主要特点

2．3 CNN的基本部件

2．3．1卷积层

2．3．2池化层

2．3．3激活函数层

2．3．4全连接层

2．4本章小结

第三章基于经典CNN网络的红枣外观品质分级

3．1红枣图像数据集

3．2经典CNN网络结构

3．2．1 LeNet网络

3．2．2 AlexNet网络

3．2．3 VGGNet网络

3．2．4 ResNet网络

3．2．5 SqueezeNet网络

3．3 CNN网络的训练和学习

3．3．1卷积神经网络的训练流程

3．3．2卷积神经网络的目标函数

3．3．3卷积神经网络参数的初始化

3．4本章小结

第四章基于DDFnet网络的红枣外观品质分级

4．1双分支深度融合卷积神经网络

4．1．1融合模块

4．1．2深度融合网络

4．1．3双分支网络结构设计

4．2参数选择和网络训练策略

4．2．1网络超参数的设置

4．2．2学习率的设置

4．2．3批量归一化

4．3迁移学习和预训练

4．4本章小结

第五章实验结果与分析

5．1 DDFnet网络实验结果对比和分析

5．1．1 DDFnet实验结果

5．1．2融合模块对比和分析

5．1．3网络结构对比分析

5．2 CNN网络分类结果对比和分析

5．3传统红枣品质检测方法对比和分析

5．4本章小结

第六章总结与展望

6．1总结

6．2展望

参考文献

发表论文和参加科研情况

致谢