期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于贝叶斯超参数优化的鲜香菇机器视觉图像分级识别
被引量：
1
1
作者
张瑞青
贺智斌
+2 位作者
陈文杰
李张威
郝建军
《河北农业大学学报》
CAS
CSCD
北大核心
2024年第5期116-123,共8页
针对鲜香菇分级机械化程度低,精度不高等问题,本文提出1种基于贝叶斯超参数优化技术的鲜香菇机器视觉图像识别方法。利用摄像头拍摄鲜香菇图像,按人工分级标准对采样图像进行正反面标记分级,获取并标记了5级的鲜香菇图像,利用仿射变换...
针对鲜香菇分级机械化程度低,精度不高等问题,本文提出1种基于贝叶斯超参数优化技术的鲜香菇机器视觉图像识别方法。利用摄像头拍摄鲜香菇图像,按人工分级标准对采样图像进行正反面标记分级,获取并标记了5级的鲜香菇图像,利用仿射变换和对比度变换的方法对获取的数据集进行扩充,建立各等级鲜香菇图像数据集;基于深度卷积神经网络,对3种预训练网络模型(AlexNet、GoogLeNet、ResNet-18)分别进行迁移学习,3种模型分别记为XGu_Ale、XGu_Goo和XGu_Res-18;使用贝叶斯优化算法对3种模型的香菇正反面数据集进行超参数优化,并分析了各个网络模型的测试结果。分析可知鲜香菇正面图像等级模型以Z-XGu_Res-18模型的识别准确率最高,鲜香菇反面图像等级模型以F-XGu_Res-18模型的识别准确率最高,准确率分别为98.73%和99.15%,选择以上2个模型可满足鲜香菇的分级要求,对正反面识别结果进行加权组合得到鲜香菇分级识别的最终等级。
展开更多
关键词
图像识别
贝叶斯超参数优化
鲜香菇分级
迁移学习
在线阅读
下载PDF
职称材料
基于迁移学习的卷积神经网络花生荚果等级图像识别
被引量：
32
2
作者
张瑞青
李张威
+3 位作者
郝建军
孙磊
李浩
韩鹏
《农业工程学报》
EI
CAS
CSCD
北大核心
2020年第23期171-180,共10页
针对花生荚果人工分级效率低、机械分级不精确等问题,该研究提出一种基于迁移学习的卷积神经网络花生荚果等级图像识别方法。利用翻转、旋转、平移、对比度变换和亮度变换等操作,对获取的5个等级花生荚果图像进行数量扩充和预处理,得到...
针对花生荚果人工分级效率低、机械分级不精确等问题,该研究提出一种基于迁移学习的卷积神经网络花生荚果等级图像识别方法。利用翻转、旋转、平移、对比度变换和亮度变换等操作,对获取的5个等级花生荚果图像进行数量扩充和预处理,得到花生荚果等级图像数据集;对比分析了GoogLeNet、ResNet18和AlexNet 3种基本模型下花生荚果图像分级识别的性能;通过迁移AlexNet卷积层对花生荚果等级识别模型进行了改进,用批归一化替换局部响应归一化且将激活函数置于批归一化层前后不同位置,设计了4种不同的识别训练模型;对改进的4种AlexNet模型进行迁移学习对比试验和超参数学习率优化试验,研究了非饱和激活函数和改进的非饱和激活函数对模型性能的影响。试验结果表明,在满足测试精度的基础上AlexNet模型所用训练时间最少;基于AlexNet的改进模型的迁移学习中学习率是需要优化的超参数,合适的学习率能够加快模型的训练并提升识别能力;改进模型中批归一化的引入及网络参数的减少,缩减了220 s训练时间,模型性能提高。所构建的花生荚果等级识别模型(Penut_AlexNet model,PA模型)对花生荚果5个等级分类识别准确率达到95.43%,该模型对花生荚果等级识别具有较高的准确率,也可为其他农产品精确分级提供参考。
展开更多
关键词
图像识别
模型
卷积神经网络
迁移学习
批归一化
花生荚果
等级分类
在线阅读
下载PDF
职称材料
题名
基于贝叶斯超参数优化的鲜香菇机器视觉图像分级识别
被引量：
1
1
作者
张瑞青
贺智斌
陈文杰
李张威
郝建军
机构
河北农业大学机电工程学院
河北省智慧农业装备技术创新中心
廊坊师范学院生命学院
出处
《河北农业大学学报》
CAS
CSCD
北大核心
2024年第5期116-123,共8页
基金
河北省现代农业产业技术体系创新团队项目(HBCT2018050201).
文摘
针对鲜香菇分级机械化程度低,精度不高等问题,本文提出1种基于贝叶斯超参数优化技术的鲜香菇机器视觉图像识别方法。利用摄像头拍摄鲜香菇图像,按人工分级标准对采样图像进行正反面标记分级,获取并标记了5级的鲜香菇图像,利用仿射变换和对比度变换的方法对获取的数据集进行扩充,建立各等级鲜香菇图像数据集;基于深度卷积神经网络,对3种预训练网络模型(AlexNet、GoogLeNet、ResNet-18)分别进行迁移学习,3种模型分别记为XGu_Ale、XGu_Goo和XGu_Res-18;使用贝叶斯优化算法对3种模型的香菇正反面数据集进行超参数优化,并分析了各个网络模型的测试结果。分析可知鲜香菇正面图像等级模型以Z-XGu_Res-18模型的识别准确率最高,鲜香菇反面图像等级模型以F-XGu_Res-18模型的识别准确率最高,准确率分别为98.73%和99.15%,选择以上2个模型可满足鲜香菇的分级要求,对正反面识别结果进行加权组合得到鲜香菇分级识别的最终等级。
关键词
图像识别
贝叶斯超参数优化
鲜香菇分级
迁移学习
Keywords
image recognition
Bayesian hyperparametric optimization
fresh mushroom grade classification
transfer learning.
分类号
S565.2 [农业科学—作物学]
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于迁移学习的卷积神经网络花生荚果等级图像识别
被引量：
32
2
作者
张瑞青
李张威
郝建军
孙磊
李浩
韩鹏
机构
河北农业大学机电工程学院
河北省农业技术推广总站
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2020年第23期171-180,共10页
基金
河北省现代农业产业技术体系创新团队项目(HBCT2018090206)
河北省重点研发计划项目(1922418D)。
文摘
针对花生荚果人工分级效率低、机械分级不精确等问题,该研究提出一种基于迁移学习的卷积神经网络花生荚果等级图像识别方法。利用翻转、旋转、平移、对比度变换和亮度变换等操作,对获取的5个等级花生荚果图像进行数量扩充和预处理,得到花生荚果等级图像数据集;对比分析了GoogLeNet、ResNet18和AlexNet 3种基本模型下花生荚果图像分级识别的性能;通过迁移AlexNet卷积层对花生荚果等级识别模型进行了改进,用批归一化替换局部响应归一化且将激活函数置于批归一化层前后不同位置,设计了4种不同的识别训练模型;对改进的4种AlexNet模型进行迁移学习对比试验和超参数学习率优化试验,研究了非饱和激活函数和改进的非饱和激活函数对模型性能的影响。试验结果表明,在满足测试精度的基础上AlexNet模型所用训练时间最少;基于AlexNet的改进模型的迁移学习中学习率是需要优化的超参数,合适的学习率能够加快模型的训练并提升识别能力;改进模型中批归一化的引入及网络参数的减少,缩减了220 s训练时间,模型性能提高。所构建的花生荚果等级识别模型(Penut_AlexNet model,PA模型)对花生荚果5个等级分类识别准确率达到95.43%,该模型对花生荚果等级识别具有较高的准确率,也可为其他农产品精确分级提供参考。
关键词
图像识别
模型
卷积神经网络
迁移学习
批归一化
花生荚果
等级分类
Keywords
image recognition
models
convolutional neural network
transfer learning
batch normalization
peanut pod
rank classification
分类号
S565.2 [农业科学—作物学]
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于贝叶斯超参数优化的鲜香菇机器视觉图像分级识别
张瑞青
贺智斌
陈文杰
李张威
郝建军
《河北农业大学学报》
CAS
CSCD
北大核心
2024
1
在线阅读
下载PDF
职称材料
2
基于迁移学习的卷积神经网络花生荚果等级图像识别
张瑞青
李张威
郝建军
孙磊
李浩
韩鹏
《农业工程学报》
EI
CAS
CSCD
北大核心
2020
32
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
