计算机应用

作者：邱津怡, 罗俊, 李秀, 贾伟, 倪福川, 冯慧

单位：1. 华中农业大学 信息学院, 武汉 430070;2. 湖北省农业大数据工程技术研究中心, 武汉 430070;3. 华中农业大学 工学院, 武汉 430070

关键词：图像识别,自然场景,迁移学习,卷积神经网络,多尺度图像,数据融合

基金：国家自然科学基金资助项目（21800305）；国家重点研发计划项目（2018YFC1604000）；中央高校基本科研业务费专项资金资助项目（2662017PY059）。

葡萄品种质量检测需要识别多类别的葡萄，而葡萄图片中存在多种景深变化、多串等多种场景，单一预处理方法存在局限导致葡萄识别的效果不佳。实验的研究对象是大棚中采集的15个类别的自然场景葡萄图像，并建立相应图像数据集Vitis-15。针对葡萄图像中同一类别的差异较大而不同类别的差异较小的问题，提出一种基于卷积神经网络（CNN）的多尺度葡萄图像识别方法。首先，对Vitis-15数据集中的数据通过三种方法进行预处理：旋转图像的数据扩增方法、中心裁剪的多尺度图像方法以及前两种方法的数据融合方法；然后，采用迁移学习方法和卷积神经网络方法来进行分类识别，迁移学习选取ImageNet上预训练的Inception V3网络模型，卷积神经网络采用AlexNet、ResNet、Inception V3这三类模型；最后，提出适合Vitis-15的多尺度图像数据融合的分类模型MS-EAlexNet。实验结果表明，在同样的学习率和同样的测试集上，数据融合方法在MS-EAlexNet上的测试准确率达到了99.92%，相较扩增和多尺度图像方法提升了近1个百分点，并且所提方法在分类小样本数据集上具有较高的效率。

来源：2019年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第10期