典型文献
基于双通道注意力机制的ResNet果实外观品质分类
文献摘要：
为了实现对采摘后的果实进行快速、精确的外观品质分类,并配合分拣生产线完成果实大规模集中分拣,该研究提出了一种基于改进ResNet的果实分类方法.首先,将深度残差神经网络(deep residual neural network,ResNet)网络中的残差模块与双通道 SE 模块(dual channel squeeze-and-excitation block,DC-SE Block)结合,增强有效的通道特征并抑制低效或无效的通道特征,提高特征图的表达能力,从而提升识别精度;其次,在原始ResNet模型中加入Inception模块,将果实不同尺度的特征进行融合,增强对较小缺陷的识别能力;最后,对收集到的4类不同外观品质的果实图像进行数据增强并利用迁移学习的方法对模型进行初始化.以苹果为例进行的试验结果表明:经过数据集训练之后的改进模型,在测试集下的准确率达到99.7％,高于原模型的98.5％;精确率达到99.7％,高于原模型的98.3％;召回率达到99.7％,高于原模型的98.7％;在图形处理器(graphic processing unit,GPU)下的平均检测速度达到32.3帧/s,略低于原模型的35.7帧/s.与GoogleNet、MobileNet等几种目前先进的分类方法进行比较并对不同改进模型进行对比试验的结果表明,该方法具有良好的分类性能,对解决果实外观品质的精准分级问题具有重要参考价值.
文献关键词：
图像增强;外观品质分类;深度残差神经网络;双通道SE模块;Inception模块;迁移学习
中图分类号：
作者姓名：
赵辉;乔艳军;王红君;岳有军
作者机构：
天津理工大学电气电子工程学院天津市复杂系统控制理论与应用重点实验室,天津300384;天津农学院工程技术学院,天津300392
文献出处：
引用格式：
[1]赵辉;乔艳军;王红君;岳有军-.基于双通道注意力机制的ResNet果实外观品质分类)[J].光电子·激光,2022(06):643-651
A类：
外观品质分类
B类：
双通道注意力机制,ResNet,采摘后,分拣,生产线,大规模集,分类方法,深度残差神经网络,deep,residual,neural,network,残差模块,SE,channel,squeeze,excitation,block,DC,Block,通道特征,特征图,表达能力,识别精度,Inception,不同尺度,小缺陷,识别能力,果实图像,数据增强,迁移学习,初始化,苹果,集训,改进模型,测试集,精确率,召回率,图形处理器,graphic,processing,unit,GPU,检测速度,略低于,GoogleNet,MobileNet,同改,分类性能,精准分级,图像增强
AB值：
0.407812
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
