论文部分内容阅读
苹果表面伤疤分类是图像分类的一种特殊应用,是根据苹果表皮伤疤的具体形状和大小将苹果划分到某一具体的类中。传统的机器学习方法对图像分类问题的研究是通过手工设计特征进行分类,但是面对苹果表面伤疤分类这一比较复杂的问题,手工设计特征具有一定的复杂度。近年来,以卷积神经网络算法为代表的深度学习方法在图像分类领域获得了巨大的成功。因此,本文将通过卷积神经网络来研究苹果表面伤疤的具体分类。本文的主要研究工作和相关成果如下所述:(1)数据库的搭建是整个苹果表面伤疤分类的基础,本文通过改良课题组的苹果表面伤疤数据库,使数据库样本更贴近实际且更加方便操作。数据库样本来自于实地拍摄,包含2130张二维图像的苹果表面伤疤样本,其中腐烂状态380张、圆斑状态580张、无伤疤状态570张、划痕状态500张。(2)网络模型的选择对苹果表面伤疤分类有着重要的影响,本文通过在目前成熟的卷积神经网络模型:Lenet、AlexNet、GoogleNet上进行腐烂/圆斑/划痕/无伤疤4种状态分类实验,分别获得了70%、73%、78%的最高识别率。本文根据自身的硬件环境以及测试集识别率的收敛情况最终选择AlexNet作为苹果表面伤疤分类实验的网络模型。(3)在苹果表面伤疤数据和AlexNet网络模型的基础上,本文从苹果表面的实际应用方面考虑,研究了可食用/不可食用分类、有伤疤/无伤疤分类、圆形/条状/无伤疤分类、分别得到了96.5%、99.6%、83.5%的最高识别率。通过对实验结果的分析得出圆斑和腐烂两种状态有一定的相似性的结论。(4)在基于卷积神经网络的苹果表面伤疤分类实验的基础上,针对相似性问题,提出了使用聚类分割和PCA降维进行数据集增强,并在数据增强后的数据集上进行可食用/不可食用分类、有伤疤/无伤疤分类、圆形/条状/无伤疤分类和圆斑/划痕/腐烂/无伤疤分类实验,分别得到了97.6%、99.7%、83.9%、77%的最高识别率,在一定程度上解决了圆斑样本和腐烂样本的相似性问题,提高了识别率。