主题：【分享】基于LeNet-5卷积神经网络的小麦不完善粒判别

浏览0 回复0 电梯直达

Insm_68f50e17

结帖率：

100%

关注：0 |粉丝：0

新手级：新兵

发表于：2024/06/27 08:25:49 楼主管理分享倒序浏览只看楼主回复私聊

高光谱图像综合光谱、图像数据，信息极为丰富，但同时存在冗余性强，数据量大等问题。卷积神经网络（Convolutional neural networks，CNN）是一种特殊的深层神经网络模型，该模型凭借其权值共享、卷积运算等特点具有处理海量二维图片的优势，且可以避免前期对图像复杂的预处理。CNN常用的模型有LeNet、AlexNet、VGG、GoogleNet、ResNet等。典型的卷积神经网络LeNet-5结构，如图7-7所示。本小节研究采用近红外光谱成像技术结合LeNet-5快速判别小麦不完善粒的可行性。

图7-7 LeNet-5结构示意图

利用CNN方法进行图像识别的流程图如图7-8所示。

图 7-8 CNN的图像识别过程示意图

1. 训练集和测试集选取

正常粒样本486个、破损粒样本170个、虫蚀粒样本149个及黑胚粒样本127个，一共932个样本。每一个籽粒作为样本单元，通过观察样本每个波段的光谱图成像质量，在每个样本730.9～889.9nm选取光谱质量好的30个波段，则每个样本具有30幅不同波段下的样本光谱图像，总共有27960个样本图作为CNN的输入图像数据，分别随机采用50%的样本作为训练集和测试集。4类小麦类别的标签采用one-hot编码方式，分别为0001、0010、0100和1000。

2. 网络结构与参数设计

CNN主要由卷积层、池化层和全连接层构成。卷积层用于特征提取，通过卷积运算降低噪声，增强原始信号特征。卷积层中的每个神经元的输入与前一层的局部感受野相连，进而提取该区域的特征，特征提取之后，它与其他特征间的位置关系也随之确定。该层中特征提取是否充分主要由卷积核的数量决定，卷积核个数越多，提取特征越详细。池化层根据图像的局部相关性特征，对卷积层得到的特征图进行下采样，不仅保留了有用信息而且可以实现数据降维，可以有效改善结果，且不易过拟合，池化的方法有最大池化、重叠池化等。全连接层将最终提取的二维特征转化为一维输入，然后连接一个分类器，进行分类识别。根据网络训练的情况，最终建立相应参数的CNN模型。

这里采用LeNet-5结构，即建立两层卷积，第1层的卷积核大小为3×3，共32个卷积核；第2层卷积核大小为5×5，共64个卷积核；池化层大小为2×2，选用最大池化；激活函数采用修正线性单元（Rectifield?linear?units，ReLu）；为防止过拟合，在全连接层后接入Dropout层，参数设置为0.5。

3. 网络训练

实验平台为Ubuntun14.04＋TensorFlow，CPU：Intel(R)?Xeon(R)?CPU?E5-2643；内存大小：64GB； GPU： NVIDIA?Tesla?K40 m×2；显存大小： 12GB×2。 TensorFlow是Google发布的深度学习系统，具有高灵活性、较强的可移植性以及支持多语言等特点。

本实验在训练模型时，根据loss函数曲线和Accuracy值来评判模型训练情况，以及作为参数调节的依据。迭代次数设置为50000（2500×20），其中每迭代20次显示一次结果。在迭代18000（900×20）次时，Loss损失曲线开始陡降；迭代40000（2000×20）次左右之后，损失函数曲线降为0。最终得到正常小麦、虫蚀粒小麦和破损粒小麦识别率均为100%，黑胚粒小麦识别率为99.98%，样本总的正确分类识别率为99.98%。

综上，基于深度学习算法的CNN模型与高光谱检测技术相结合可以实现小麦的不完善粒的快速准确识别。但是关于网络训练数据集选取有待进一步优化。