發(fā)布時(shí)間：2020-04-09 22:19

【摘要】：烤煙生產(chǎn)和收購(gòu)過(guò)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(qiáng)、分級(jí)效率低等問(wèn)題,催生了煙葉自動(dòng)分選技術(shù)的研究。隨著機(jī)器視覺(jué)的發(fā)展,基于視覺(jué)算法研究煙葉自動(dòng)分選技術(shù)已經(jīng)成為了一個(gè)熱門(mén)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(jì)的特征分類(lèi)準(zhǔn)確率不高;基于深度學(xué)習(xí)得到深層特征需要大量的已標(biāo)注數(shù)據(jù)參與訓(xùn)練,但煙葉數(shù)據(jù)標(biāo)注困難。針對(duì)上述問(wèn)題,本文設(shè)計(jì)了煙葉現(xiàn)場(chǎng)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(xué)習(xí)研究煙葉分組和分級(jí)。主要貢獻(xiàn)如下:通過(guò)分析現(xiàn)場(chǎng)采集的煙葉圖像,提出了煙葉現(xiàn)場(chǎng)數(shù)據(jù)的預(yù)處理方法。采用中值濾波減少圖像噪聲,計(jì)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(xué)的方法分析煙葉圖像姿態(tài)剔除異常圖像,使參與訓(xùn)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(jí)模型。本文針對(duì)煙葉訓(xùn)練樣本少、類(lèi)別單一的問(wèn)題,基于AlexNet模型采用兩步修改法進(jìn)行參數(shù)優(yōu)化,防止過(guò)擬合;刪去局部響應(yīng)歸一層同時(shí)引入批量歸一層,優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。并提出主動(dòng)增量學(xué)習(xí)的方法,通過(guò)計(jì)算信息熵挖掘困難樣本,來(lái)避免冗余樣本參與訓(xùn)練,從而優(yōu)化訓(xùn)練過(guò)程中標(biāo)注樣本的使用數(shù)量。通過(guò)在中部橘色煙葉上的對(duì)比實(shí)驗(yàn)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(xùn)練過(guò)程Loss震蕩問(wèn)題,主動(dòng)增量學(xué)習(xí)的訓(xùn)練優(yōu)化可以使用更少的數(shù)據(jù)訓(xùn)練一個(gè)較優(yōu)的模型�；�于遷移學(xué)習(xí)算法進(jìn)一步優(yōu)化煙葉分級(jí)性能。針對(duì)分級(jí)過(guò)程訓(xùn)練樣本少,準(zhǔn)確率不高的問(wèn)題,提出用訓(xùn)練好的煙葉分組模型遷移學(xué)習(xí)煙葉分級(jí)的低維深層特征表達(dá)。之后將其與傳統(tǒng)方法手工設(shè)計(jì)的顏色、形狀和紋理特征結(jié)合起來(lái)表征煙葉分級(jí)特征。針對(duì)煙葉數(shù)據(jù)獲取實(shí)時(shí)性和不同批次數(shù)據(jù)差異影響分類(lèi)準(zhǔn)確率的問(wèn)題,提出了在線遷移學(xué)習(xí)的方法。已有數(shù)據(jù)訓(xùn)練一個(gè)分類(lèi)器,新來(lái)的數(shù)據(jù)再訓(xùn)練一個(gè)分類(lèi)器,在接收到新數(shù)據(jù)時(shí),用兩個(gè)分類(lèi)器的預(yù)測(cè)結(jié)果的加權(quán)來(lái)表示新數(shù)據(jù)的類(lèi)別標(biāo)簽。而且這兩個(gè)分類(lèi)器的權(quán)重是根據(jù)錯(cuò)分樣本情況在線更新的。實(shí)驗(yàn)證明,融合遷移學(xué)習(xí)和傳統(tǒng)的特征提取方法的特征表達(dá)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(xué)習(xí)算法要優(yōu)于只有新數(shù)據(jù)進(jìn)行訓(xùn)練的機(jī)器學(xué)習(xí)算法,其分類(lèi)錯(cuò)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(lèi)包含卷積計(jì)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(gè)典型的卷積層包含三級(jí)［３８】，如圖２－１所示。首先是逡逑卷積，多個(gè)卷積核并行計(jì)算產(chǎn)生一組線性激活響應(yīng)。其次是探測(cè)級(jí)，通過(guò)一個(gè)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(jí)是池化層，通過(guò)最大池化或均值池化來(lái)進(jìn)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(jí)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(yùn)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(chēng)作局部感受野，輸出逡逑稱(chēng)作特征映射（ｆｅａｔｕｒｅ邋ｍａｐ）。卷積操作的本質(zhì)是以一定的步長(zhǎng)滑動(dòng)卷積核，在局部逡逑感受野上對(duì)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(dòng)步長(zhǎng)設(shè)為１時(shí)，卷積操作的基本計(jì)算如圖２－２所逡逑不。逡逑在第一次進(jìn)行卷積計(jì)算時(shí)，卷積核內(nèi)的值是隨機(jī)初始化的。卷積層的權(quán)重更逡逑新過(guò)程本質(zhì)是卷積核的更新過(guò)程［３９］。對(duì)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(jì)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(jì)算過(guò)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(píng)價(jià)指標(biāo)逡逑在傳統(tǒng)的機(jī)器學(xué)習(xí)框架中，錯(cuò)誤率（ｅｒｒｏｒ邋ｒａｔｅ）、精度（ａｃｃｕｒａｃｙ）、準(zhǔn)確率（ｐｒｅｃｉｓｉｏｎ）逡逑和召回率（ｒｅｃａｌｌ邋ｒａｔｅ）等是常用的評(píng)價(jià)算法性能的指標(biāo)％。接下來(lái)將詳細(xì)介紹本文用逡逑到的評(píng)價(jià)指標(biāo)。逡逑錯(cuò)誤率和精度是分類(lèi)任務(wù)中常用的兩種性能評(píng)價(jià)指標(biāo)，不僅適用于二分類(lèi)，逡逑也適用于多分類(lèi)。對(duì)于給定測(cè)試樣本集Ｄ邋＝丨0＾，），（＼，：＾），．．．辦？，：＾，輸入樣本１的逡逑真實(shí)類(lèi)別為Ｘ，分類(lèi)器／給出的預(yù)測(cè)類(lèi)別為／（＼），《表示樣本總數(shù)。其中，錯(cuò)誤逡逑率指的是分類(lèi)任務(wù)中錯(cuò)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(lèi)任務(wù)中正確分類(lèi)樣本數(shù)量占總樣本數(shù)量的比例
【學(xué)位授予單位】：北京交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP18;TS44

【參考文獻(xiàn)】

相關(guān)期刊論文 前6條

1 李航;趙海東;申金媛;劉潤(rùn)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(shí)驗(yàn);2015年06期

2 章春娥;魏揚(yáng)帆;王巖松;;煙葉自動(dòng)圖像分級(jí)技術(shù)研究綜述[J];中國(guó)煙草科學(xué);2014年04期

3 陳風(fēng)雷;孫紅權(quán);鄭少清;郭亮;穆東升;;初烤煙葉專(zhuān)業(yè)化分級(jí)效率研究[J];山地農(nóng)業(yè)生物學(xué)報(bào);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(shí)別中應(yīng)用的探索[J];農(nóng)業(yè)工程學(xué)報(bào);2007年09期

5 張帆,張新紅,張彤;模糊數(shù)學(xué)在煙葉分級(jí)中的應(yīng)用[J];中國(guó)煙草學(xué)報(bào);2002年03期

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

相關(guān)博士學(xué)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(lèi)方法研究及應(yīng)用[D];中國(guó)科學(xué)技術(shù)大學(xué);2018年

相關(guān)碩士學(xué)位論文 前5條

1 曾祥云;一個(gè)基于深度學(xué)習(xí)的烤煙分級(jí)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];東南大學(xué);2017年

2 劉天亮;基于計(jì)算機(jī)視覺(jué)的煙葉模糊分組研究與實(shí)現(xiàn)[D];北京交通大學(xué);2017年

3 張振;基于深度學(xué)習(xí)的全天空云圖分類(lèi)方法研究[D];北京交通大學(xué);2017年

4 李海杰;基于機(jī)器視覺(jué)的煙草異物檢測(cè)和煙葉分類(lèi)分級(jí)方法研究[D];南京航空航天大學(xué);2016年

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

本文編號(hào)：2621335