發(fā)布時間：2020-04-09 22:19

【摘要】：烤煙生產(chǎn)和收購過程中的煙葉質(zhì)量分選工作目前是由工人完成的。工人分選主觀性強、分級效率低等問題,催生了煙葉自動分選技術(shù)的研究。隨著機器視覺的發(fā)展,基于視覺算法研究煙葉自動分選技術(shù)已經(jīng)成為了一個熱門課題。但目前仍然面臨著一些挑戰(zhàn):現(xiàn)有的在線圖像采集系統(tǒng)得到的數(shù)據(jù)和理想數(shù)據(jù)之間存在差異且數(shù)據(jù)有限;用傳統(tǒng)方法手工設(shè)計的特征分類準確率不高;基于深度學習得到深層特征需要大量的已標注數(shù)據(jù)參與訓練,但煙葉數(shù)據(jù)標注困難。針對上述問題,本文設(shè)計了煙葉現(xiàn)場數(shù)據(jù)的預(yù)處理流程,并基于深度卷積網(wǎng)絡(luò)和遷移學習研究煙葉分組和分級。主要貢獻如下:通過分析現(xiàn)場采集的煙葉圖像,提出了煙葉現(xiàn)場數(shù)據(jù)的預(yù)處理方法。采用中值濾波減少圖像噪聲,計算Lab空間b通道頻數(shù)直方圖,用直方圖雙峰法,有效分割煙葉前景部分,并采用形態(tài)學的方法分析煙葉圖像姿態(tài)剔除異常圖像,使參與訓練的數(shù)據(jù)盡可能趨于理想。提出了基于深度卷積網(wǎng)絡(luò)的煙葉分組和分級模型。本文針對煙葉訓練樣本少、類別單一的問題,基于AlexNet模型采用兩步修改法進行參數(shù)優(yōu)化,防止過擬合;刪去局部響應(yīng)歸一層同時引入批量歸一層,優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。并提出主動增量學習的方法,通過計算信息熵挖掘困難樣本,來避免冗余樣本參與訓練,從而優(yōu)化訓練過程中標注樣本的使用數(shù)量。通過在中部橘色煙葉上的對比實驗證明,參數(shù)優(yōu)化可以使模型擬合得更好,網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化可以改善訓練過程Loss震蕩問題,主動增量學習的訓練優(yōu)化可以使用更少的數(shù)據(jù)訓練一個較優(yōu)的模型。基于遷移學習算法進一步優(yōu)化煙葉分級性能。針對分級過程訓練樣本少,準確率不高的問題,提出用訓練好的煙葉分組模型遷移學習煙葉分級的低維深層特征表達。之后將其與傳統(tǒng)方法手工設(shè)計的顏色、形狀和紋理特征結(jié)合起來表征煙葉分級特征。針對煙葉數(shù)據(jù)獲取實時性和不同批次數(shù)據(jù)差異影響分類準確率的問題,提出了在線遷移學習的方法。已有數(shù)據(jù)訓練一個分類器,新來的數(shù)據(jù)再訓練一個分類器,在接收到新數(shù)據(jù)時,用兩個分類器的預(yù)測結(jié)果的加權(quán)來表示新數(shù)據(jù)的類別標簽。而且這兩個分類器的權(quán)重是根據(jù)錯分樣本情況在線更新的。實驗證明,融合遷移學習和傳統(tǒng)的特征提取方法的特征表達要優(yōu)于僅用深層特征或傳統(tǒng)特征的方法;基于在線遷移學習算法要優(yōu)于只有新數(shù)據(jù)進行訓練的機器學習算法,其分類錯誤率更小。
【圖文】：

烤煙分選相關(guān)理論綜述逡逑（ｗｉｄｔｈ、ｈｅｉｇｈｔ、ｃｈａｎｎｅｌ）。ＣＮＮ是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)逡逑絡(luò)。在卷積神經(jīng)網(wǎng)絡(luò)中，一個典型的卷積層包含三級［３８】，如圖２－１所示。首先是逡逑卷積，多個卷積核并行計算產(chǎn)生一組線性激活響應(yīng)。其次是探測級，通過一個非逡逑線性激活函數(shù)將卷積操作產(chǎn)生的線性響應(yīng)轉(zhuǎn)換成非線性響應(yīng)。如Ｓｉｇｍｏｉｄ函數(shù)、整逡逑流線性激活函數(shù)（ＲｅＬＵ）等。第三級是池化層，通過最大池化或均值池化來進一步逡逑調(diào)整該層輸入數(shù)據(jù)的維度。逡逑下一層邐下一層逡逑．邋Ｔ邋．邐——逡逑卷積層邋￣逡逑池化邐池化層逡逑Ｉ邐ｔ逡逑探＿級邐探?jīng)憣渝义戏蔷�性激活函數(shù)邐非線性激活函數(shù)逡逑ｔ邐ｔ逡逑仿射變換邐仿射變換逡逑丨．Ｔ邐Ｔ邐，逡逑輸入層邋１邐｜邋輸入層逡逑圖２－１卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)逡逑Ｆｉｇｕｒｅ邋２－１邋Ｔｈｅ邋ｍａｉｎ邋ｓｔｒｕｃｔｕｒｅ邋ｏｆ邋ＣＮＮ．逡逑卷積操作為處理大小可變的輸入提供了一種可行的方法。卷積運算主要由輸逡逑入（ｉｎｐｕｔ）、卷積核（ｋｅｒｎｅｌ）和輸出（ｏｕｔｐｕｔ）組成，通常將輸入稱作局部感受野，輸出逡逑稱作特征映射（ｆｅａｔｕｒｅ邋ｍａｐ）。卷積操作的本質(zhì)是以一定的步長滑動卷積核，在局部逡逑感受野上對應(yīng)位置的加權(quán)求和。卷積核的大小通常設(shè)為：２ｘ２、３ｘ３、５ｘ５。例逡逑如，卷積核的大小設(shè)為２ｘ２，，滑動步長設(shè)為１時，卷積操作的基本計算如圖２－２所逡逑不。逡逑在第一次進行卷積計算時，卷積核內(nèi)的值是隨機初始化的。卷積層的權(quán)重更逡逑新過程本質(zhì)是卷積核的更新過程［３９］。對于每層的卷積

烤煙分選相關(guān)理論綜述逡逑池化具有平移不變性。常用的池化函數(shù)包括最大池化（Ｍａｘ邋Ｐｏｏｌｉｎｇ）、平均池化逡逑（Ｍｅａｎ邋Ｐｏｏｌｉｎｇ）、基于距中心像素的加權(quán)平均等［４１，４２，４３］。圖２－３展示了最大池化和平逡逑均池化的計算示意圖。逡逑邐邋邋Ｍａｘ邋Ｐｏｏｌｉｎｇ邐７邐８逡逑０Ｈ邋４邋ＩＩ邋１邋Ｉ邐＾邋Ｉ邋４邋ＩＩ邋５逡逑７邋｜Ｔ］邋７邐８逡逑｜邋３邋Ｉ邋２邐２邐２逡逑４邋３邐３邐５邐Ｍｅａｎ邋Ｐｏｏｌｉｎｇ邐５邐５逡逑＿＿邐｜邋３邋Ｉ邋３逡逑ｘ￣逡逑圖２－３最大池化和平均池化的計算過程逡逑Ｆｉｇｕｒｅ邋２－３邋Ｃａｌｃｕｌａｔｉｏｎ邋ｐｒｏｃｅｓｓ邋ｏｆ邋ｍａｘ邋ｐｏｏｌｉｎｇ邋ａｎｄ邋ｍｅａｎ邋ｐｏｏｌｉｎｇ．逡逑２．２．２性能評價指標逡逑在傳統(tǒng)的機器學習框架中，錯誤率（ｅｒｒｏｒ邋ｒａｔｅ）、精度（ａｃｃｕｒａｃｙ）、準確率（ｐｒｅｃｉｓｉｏｎ）逡逑和召回率（ｒｅｃａｌｌ邋ｒａｔｅ）等是常用的評價算法性能的指標％。接下來將詳細介紹本文用逡逑到的評價指標。逡逑錯誤率和精度是分類任務(wù)中常用的兩種性能評價指標，不僅適用于二分類，逡逑也適用于多分類。對于給定測試樣本集Ｄ邋＝丨0＾，），（＼，：＾），．．．辦？，：＾，輸入樣本１的逡逑真實類別為Ｘ，分類器／給出的預(yù)測類別為／（＼），《表示樣本總數(shù)。其中，錯誤逡逑率指的是分類任務(wù)中錯分樣本數(shù)量占總樣本數(shù)量的比例，公式如（２－３）所示。逡逑Ｅ（ｆ－Ｄ）邋＝邋－ｉｎ（ｆ（Ｘｉ）＾ｙｉ）邐（２－３）逡逑ｎ邋／＝ｉ逡逑精度指的是分類任務(wù)中正確分類樣本數(shù)量占總樣本數(shù)量的比例
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP18;TS44

【參考文獻】

相關(guān)期刊論文 前6條

1 李航;趙海東;申金媛;劉潤杰;劉劍君;穆曉敏;;基于BPSO和SVM的煙葉近紅外有用特征光譜選擇[J];物理實驗;2015年06期

2 章春娥;魏揚帆;王巖松;;煙葉自動圖像分級技術(shù)研究綜述[J];中國煙草科學;2014年04期

3 陳風雷;孫紅權(quán);鄭少清;郭亮;穆東升;;初烤煙葉專業(yè)化分級效率研究[J];山地農(nóng)業(yè)生物學報;2012年03期

4 劉華波;賀立源;馬文杰;李翠英;;透射圖像顏色特征在煙葉識別中應(yīng)用的探索[J];農(nóng)業(yè)工程學報;2007年09期

5 張帆,張新紅,張彤;模糊數(shù)學在煙葉分級中的應(yīng)用[J];中國煙草學報;2002年03期

6 蔡健榮,方如明,張世慶,吳守一,張建平;利用計算機視覺技術(shù)的煙葉質(zhì)量分選系統(tǒng)研究[J];農(nóng)業(yè)工程學報;2000年03期

相關(guān)博士學位論文 前1條

1 高震宇;基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用[D];中國科學技術(shù)大學;2018年

相關(guān)碩士學位論文 前5條

1 曾祥云;一個基于深度學習的烤煙分級系統(tǒng)的設(shè)計與實現(xiàn)[D];東南大學;2017年

2 劉天亮;基于計算機視覺的煙葉模糊分組研究與實現(xiàn)[D];北京交通大學;2017年

3 張振;基于深度學習的全天空云圖分類方法研究[D];北京交通大學;2017年

4 李海杰;基于機器視覺的煙草異物檢測和煙葉分類分級方法研究[D];南京航空航天大學;2016年

5 李浩;基于數(shù)字圖像處理技術(shù)的烤煙煙葉自動分組模型研究[D];華中農(nóng)業(yè)大學;2007年

本文編號：2621335