基于改进GhostNet的小麦秸秆表皮结构完整性分类方法

摘要

[目的]小麦秸秆表皮结构完整性是判断其资源化利用效果的关键因素之一,目前尚难以对秸秆破碎程度进行量化分析,为了实现小麦秸秆表皮结构完整性的分类,本研究提出了一种改进的GhostNet轻量级卷积神经网络,用于对小麦秸秆表皮显微图像进行完整性分类。[方法]基于小麦秸秆表皮显微成像技术,将迁移学习引入GhostNet中,降低了模型过拟合的风险,同时采用了Dropout层以提升网络的分类准确率。为了验证该方法的有效性,利用4320幅小麦秸秆表皮显微图像进行训练和验证,同时与ShuffleNet V2、ResNet 50和AlexNet深度学习网络进行了对比。[结果]试验结果表明,改进的GhostNet网络模型的分类准确率为99.2%,分别比ShuffleNet V2、ResNet 50和AlexNet提高了14.55%、3.66%和3.44%,为了验证该模型的鲁棒性,分别对高斯噪声和不同亮暗程度影响进行了测试,测试结果表明,改进后的GhostNet网络模型依然可以取得最佳的分类效果。[结论]该方法应用于小麦秸秆表皮显微图像的完整性分类是有效的、可行的,该方法可为秸秆预处理技术效率的量化分析提供参考。