基于改進(jìn)型AlexNet的花生莢果品種識(shí)別

倪建功，楊昊巖，李 娟，韓仲志*

(1.青島農(nóng)業(yè)大學(xué)理學(xué)與信息科學(xué)學(xué)院，山東 青島 266109； 2.青島農(nóng)業(yè)大學(xué)動(dòng)漫與傳媒學(xué)院，山東 青島 266109； 3.青島農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，山東 青島 266109)

我國(guó)是世界花生總產(chǎn)第一大國(guó)，種植面積達(dá)500多萬(wàn)hm2，約占世界總產(chǎn)量的40%。花生中含有豐富的脂肪、蛋白質(zhì)等營(yíng)養(yǎng)物質(zhì)，其中含油量約為42%～60%。我國(guó)所產(chǎn)的花生中有55%用于制油，出油率是衡量花生品質(zhì)的一個(gè)重要指標(biāo)。不同品種花生脂肪含量的差異導(dǎo)致其含油率大不相同[1]，在制油過(guò)程中需要根據(jù)不同品種的含油率來(lái)選擇不同的制油方式。對(duì)于高含油率品種的花生大多采用壓榨法來(lái)制油，對(duì)于含油率低的品種則需要采用溶劑浸出法進(jìn)行制油。在當(dāng)前我國(guó)油料短缺形勢(shì)嚴(yán)峻、食用油比較依賴(lài)進(jìn)口的情況下，花生品種檢測(cè)就顯得尤為重要。目前，我國(guó)對(duì)花生品種的檢測(cè)大多依賴(lài)人工檢測(cè)，這種方式存在工作量大，檢測(cè)人員易疲勞，主觀(guān)經(jīng)驗(yàn)限制等缺陷。因此，迫切需要一種快速、無(wú)損的花生品種智能分類(lèi)方法，以提高花生制油產(chǎn)量。

目前國(guó)內(nèi)外研究者對(duì)花生品種的識(shí)別進(jìn)行了一系列研究。張思雨[2]等人采用機(jī)器視覺(jué)與自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)三類(lèi)花生仁的品質(zhì)，識(shí)別準(zhǔn)確率99.7%。韓仲志[3]等人通過(guò)提取形態(tài)、顏色和紋理等3大類(lèi)特征，對(duì)12個(gè)花生籽粒品種進(jìn)行識(shí)別，識(shí)別準(zhǔn)確率83.3%。鄭田甜[4]等人利用主成分分析對(duì)3種花生種子的高光譜數(shù)據(jù)進(jìn)行聚類(lèi)分析，平均正確識(shí)別率為95%。韓仲志[5]等人基于圖像處理技術(shù)對(duì)花生莢果品種進(jìn)行識(shí)別，對(duì)20個(gè)品種的識(shí)別準(zhǔn)確率達(dá)到90%。于仁師[6]等人利用支持向量機(jī)對(duì)20個(gè)不同花生莢果品種進(jìn)行分類(lèi)識(shí)別，平均準(zhǔn)確率為78.06%。上述研究者在花生品種識(shí)別領(lǐng)域的工作證明機(jī)器識(shí)別是可行的，但這些主要是針對(duì)花生仁進(jìn)行研究，比起花生仁，花生莢果的研究更具有意義。因?yàn)樵趯?shí)際生產(chǎn)中，想要對(duì)花生進(jìn)行快速、無(wú)損的品種識(shí)別，需在花生帶殼時(shí)完成識(shí)別工作，這對(duì)后續(xù)的生產(chǎn)應(yīng)用會(huì)帶來(lái)極大方便。此外，傳統(tǒng)特征提取+分類(lèi)器的方法需對(duì)每一類(lèi)花生構(gòu)建大量特征標(biāo)準(zhǔn)，每當(dāng)新增一個(gè)類(lèi)別時(shí)，就需重新提取特征，工作量大且泛化能力不足。深度學(xué)習(xí)是近年來(lái)一種非常熱門(mén)的數(shù)據(jù)處理技術(shù)，已廣泛應(yīng)用于圖像處理[7-9]、目標(biāo)檢測(cè)[10-11]、行為分析[12-13]、疾病診斷[14-15]等領(lǐng)域，且已被應(yīng)用于品種快速檢測(cè)中。劉翠玲[16]等利用GoogLeNet網(wǎng)絡(luò)對(duì)5個(gè)品種花生的高光譜圖像進(jìn)行識(shí)別，測(cè)試集平均準(zhǔn)確率93.3%。劉翠玲[17]等人利用太赫茲衰減全反射技術(shù)，結(jié)合距離匹配算法，對(duì)不同品種花生進(jìn)行快速分類(lèi)識(shí)別，3個(gè)類(lèi)別的總體識(shí)別準(zhǔn)確率可達(dá)93.3%。深度學(xué)習(xí)方法舍棄了復(fù)雜的圖像預(yù)處理和特征提取過(guò)程，采用端到端的結(jié)構(gòu)簡(jiǎn)化了識(shí)別流程，并且大幅度提高了模型的識(shí)別準(zhǔn)確率。然而上述研究采用的技術(shù)大多實(shí)現(xiàn)起來(lái)比較困難，成本較高，不適合大規(guī)模推廣。AlexNet是第一個(gè)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，它相對(duì)于后來(lái)的VGGNet、GoogLeNet等網(wǎng)絡(luò)，模型具有相對(duì)簡(jiǎn)單且易于部署等優(yōu)點(diǎn)，但是網(wǎng)絡(luò)識(shí)別準(zhǔn)確率略低。

在前期工作的基礎(chǔ)上，本文通過(guò)從不同方面對(duì)原始的AlexNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，提出一種改進(jìn)型AlexNet來(lái)研究不同花生莢果的分類(lèi)問(wèn)題，以期獲得最優(yōu)的、快速的花生莢果識(shí)別模型。

1 材料和方法

1.1 材料

實(shí)驗(yàn)采用的花生品種共13個(gè)，全部來(lái)自當(dāng)?shù)剞r(nóng)民自留種，品種分別為冀花2號(hào)、冀花4號(hào)、冀花5號(hào)、中農(nóng)108、天府3號(hào)、花育22號(hào)、花育25號(hào)、萊農(nóng)13號(hào)、魯花9號(hào)、魯花11號(hào)、青花6號(hào)、101、16-2。選取的品種分別來(lái)自河北、山東的日照、青島和萊陽(yáng)四個(gè)主要花生生產(chǎn)區(qū)，這些品種主要為北方花生代表。13個(gè)品種花生莢果的基本信息如表1所示。

表1 實(shí)驗(yàn)材料 Table 1 The experimental materials

將所有花生莢果按照固定方向和次序均勻擺放在掃描儀上，每組50顆花生。對(duì)每一顆花生莢果分別獲取一幅正面圖像和兩幅側(cè)面圖像，其中側(cè)面圖像的方向是不同的。所有品種的莢果示意圖如圖1所示。實(shí)驗(yàn)用的掃描儀型號(hào)為佳能 CanoScan 8800F，平板式 CCD 掃描儀，光學(xué)分辨率為 4 800 dpi×9 600 dpi；最大分辨率為 19 200 dpi，掃描范圍為 216 mm×297 mm。所有品種的花生莢果示意圖如圖1所示?；ㄉv果品種按照表1編號(hào)順序從左到右依次排列。

1.2 圖像預(yù)處理

從掃描儀上獲得的每幅圖像上有50顆花生莢果，通過(guò)感興趣區(qū)域(ROI)提取[18]，從每幅圖像上獲取單個(gè)花生莢果作為數(shù)據(jù)集。具體處理過(guò)程為：首先對(duì)原始圖像進(jìn)行灰度處理與二值化處理，之后通過(guò)腐蝕、膨脹等圖像處理手段對(duì)圖像進(jìn)行處理。然后框選出單個(gè)花生莢果，并繪制圖像的重心。最后根據(jù)紅框坐標(biāo)對(duì)應(yīng)到原始圖像中對(duì)單個(gè)莢果進(jìn)行自動(dòng)裁剪，最終得到單個(gè)花生莢果數(shù)據(jù)集。圖像預(yù)處理過(guò)程如圖2所示。

1.3 AlexNet模型

AlexNet[19]是2012年Hinton和他的學(xué)生設(shè)計(jì)的，以顯著優(yōu)勢(shì)獲得了當(dāng)年的ImageNet競(jìng)賽冠軍。AlexNet主要由五個(gè)卷積層，三個(gè)池化層和三個(gè)全連接層組成。其中，卷積層是由若干卷積單元組成的，每個(gè)卷積單元的參數(shù)由反向傳播算法最佳化得到，卷積層的功能是提取輸入圖像的不同特征；池化層是卷積神經(jīng)網(wǎng)絡(luò)重要的組成部分，它實(shí)際上是對(duì)數(shù)據(jù)進(jìn)行降采樣處理，其功能為降低下一層待處理的數(shù)據(jù)量，減少參數(shù)數(shù)量，預(yù)防網(wǎng)絡(luò)過(guò)擬合；全連接層中的每個(gè)神經(jīng)元與其前一層的所有神經(jīng)元進(jìn)行全連接，全連接層可以整合卷積層或者池化層中具有類(lèi)別區(qū)分性的局部信息。

AlexNet首次在CNN(Convolutional Neural Networks)中成功地應(yīng)用了ReLU、Dropout和局部響應(yīng)歸一化(LRN)等模塊，這也是它的性能能夠大幅超越傳統(tǒng)機(jī)器學(xué)習(xí)算法的原因。它是第一個(gè)經(jīng)典的CNN模型，啟發(fā)了后來(lái)的深度卷積神經(jīng)網(wǎng)絡(luò)模型。但是對(duì)于多類(lèi)識(shí)別以及相似類(lèi)別的識(shí)別方面仍然存在一些不足。本文借鑒VGGNet[20]、ResNet[21]、Inception[22-23]等經(jīng)典網(wǎng)絡(luò)對(duì)AlexNet進(jìn)行改進(jìn)，提出一種改進(jìn)型AlexNet網(wǎng)絡(luò)，并將此網(wǎng)絡(luò)應(yīng)用于不同類(lèi)別的花生莢果識(shí)別。

1.4 改進(jìn)型AlexNet模型

參考VGGNet、Inception等經(jīng)典網(wǎng)絡(luò)，本研究的改進(jìn)主要體現(xiàn)在：

① 舍棄LRN層，改用批歸一化(BN)層。LRN來(lái)源于神經(jīng)生物學(xué)中的側(cè)抑制機(jī)制，對(duì)局部神經(jīng)元的活動(dòng)創(chuàng)建競(jìng)爭(zhēng)機(jī)制，使得其中響應(yīng)比較大的值變得相對(duì)更大，并抑制其他反饋較小的神經(jīng)元。使用LRN層的目的是增強(qiáng)網(wǎng)絡(luò)的泛化能力，但是根據(jù)以往的實(shí)驗(yàn)結(jié)果，LRN在提高模型的識(shí)別準(zhǔn)確率上沒(méi)有太大的幫助，相反地增加了網(wǎng)絡(luò)的復(fù)雜性[24]。我們使用BN層代替LRN層，BN層在VGGNet、Inception等經(jīng)典網(wǎng)絡(luò)中被使用，BN層允許使用更大的學(xué)習(xí)率，能夠大幅提高訓(xùn)練速度。

② 不同尺寸卷積核搭配。對(duì)于輸入圖像，采用不同尺寸的卷積核組合卷積。不同大小的卷積核對(duì)圖像特征的提取是不同的，大的卷積核能夠得到圖像形狀、位置等特征，而小的卷積核得到的是顏色、紋理等特征。卷積核越大，感受野就越大，看到圖像的局部特征就越多。多種卷積核組合可以獲得不同類(lèi)型的特征，能夠很好地表示要識(shí)別的物體。此外，我們加入1×1的卷積核，來(lái)降低輸入的通道數(shù)、卷積核參數(shù)、運(yùn)算復(fù)雜度。通過(guò)數(shù)據(jù)降維，可以得到更加緊湊的網(wǎng)絡(luò)結(jié)構(gòu)。

③ 修改全連接層神經(jīng)元連接個(gè)數(shù)。全連接層(fully connected layers)在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中起到“分類(lèi)器”的作用。在這個(gè)過(guò)程中，在每一階段的訓(xùn)練中，隨機(jī)減少一部分神經(jīng)元的訓(xùn)練，所以只有一部分神經(jīng)元參與到網(wǎng)絡(luò)訓(xùn)練中來(lái)，這樣能夠使網(wǎng)絡(luò)整體參數(shù)量減少，從而節(jié)省計(jì)算量。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，全連接層神經(jīng)元連接個(gè)數(shù)適當(dāng)降低不會(huì)影響網(wǎng)絡(luò)的準(zhǔn)確率。但是減少神經(jīng)元連接個(gè)數(shù)可以減少模型的參數(shù)量，降低模型的復(fù)雜度。在實(shí)驗(yàn)中，我們將全連接層元連接個(gè)數(shù)由4096修改為1024。綜上所述，我們通過(guò)三個(gè)方面對(duì)AlexNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，整體網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖3所示。

2 結(jié)果與分析

首先，獲取花生莢果的掃描儀照片，之后通過(guò)二值化等圖像處理手段對(duì)掃描儀照片進(jìn)行分割，獲取單個(gè)花生莢果的數(shù)據(jù)集；然后，將數(shù)據(jù)集按8∶2隨機(jī)分為訓(xùn)練集和測(cè)試集；最后，將數(shù)據(jù)集導(dǎo)入我們搭建的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，在適當(dāng)?shù)牡螖?shù)后停止訓(xùn)練，得到網(wǎng)絡(luò)訓(xùn)練準(zhǔn)確率圖和損失率圖。網(wǎng)絡(luò)基本參數(shù)：最小批次，32；最大迭代，50；驗(yàn)證頻率，16；優(yōu)化器，SGDM；初始學(xué)習(xí)率，1×10-4；圖像輸入尺寸，224×224×3。實(shí)驗(yàn)算法基于Windows10系統(tǒng)下MATLAB軟件實(shí)現(xiàn)。

2.1 網(wǎng)絡(luò)可視化

通過(guò)對(duì)網(wǎng)絡(luò)卷積層進(jìn)行特征可視化[25]能夠更好地理解網(wǎng)絡(luò)是如何工作的。反卷積可視化以各層得到的特征圖作為輸入，進(jìn)行反卷積，得到反卷積結(jié)果，用以顯示各層提取到的特征圖。通過(guò)深度學(xué)習(xí)網(wǎng)絡(luò)模型后，得到的特征具有辨別性。比如要區(qū)分不同品種的花生莢果，那么通過(guò)CNN學(xué)習(xí)后，背景部位的激活度會(huì)變得很小，通過(guò)可視化就可以看到網(wǎng)絡(luò)提取到的特征忽略了背景，僅把關(guān)鍵的信息給提取出來(lái)。從淺層學(xué)習(xí)到的特征基本上是顏色、邊緣等低層特征；中間層則開(kāi)始稍微變得復(fù)雜，學(xué)習(xí)到的是紋理特征，比如物體上面的一些網(wǎng)格紋理；更深層學(xué)習(xí)到的則是更加具有辨別性的關(guān)鍵特征。AlexNet網(wǎng)絡(luò)卷積層可視化結(jié)果如圖4所示。

2.2 網(wǎng)絡(luò)訓(xùn)練結(jié)果

網(wǎng)絡(luò)準(zhǔn)確率與損失結(jié)果見(jiàn)圖5。圖5可看出，網(wǎng)絡(luò)的準(zhǔn)確率前30個(gè)迭代(Epochs)逐漸上升，在30個(gè)迭代后趨于穩(wěn)定并且模型準(zhǔn)確率穩(wěn)定在85%附近，最終的最高準(zhǔn)確率為88.76%。原始AlexNet網(wǎng)絡(luò)在10個(gè)迭代后趨于穩(wěn)定并且模型準(zhǔn)確率穩(wěn)定在80%附近，最終的最高準(zhǔn)確率為84.27%。兩者的Loss曲線(xiàn)在30個(gè)迭代后趨近于零，并且訓(xùn)練集和驗(yàn)證集的Loss值是接近的，這說(shuō)明網(wǎng)絡(luò)沒(méi)有出現(xiàn)過(guò)擬合現(xiàn)象，進(jìn)一步說(shuō)明實(shí)驗(yàn)結(jié)果的可靠性。通過(guò)與原始AlexNet相比，改進(jìn)型AlexNet收斂速度相對(duì)慢，但最終準(zhǔn)確率優(yōu)于原始AlexNet。因?yàn)樵糀lexNet是在ImageNet上預(yù)訓(xùn)練過(guò)，已經(jīng)存儲(chǔ)了一部分權(quán)重，而改進(jìn)型AlexNet沒(méi)有經(jīng)過(guò)預(yù)訓(xùn)練，所以在訓(xùn)練前期準(zhǔn)確率上升速度略慢。

對(duì)712個(gè)測(cè)試集數(shù)據(jù)進(jìn)行測(cè)試，繪制混淆矩陣，如圖6所示。在混淆矩陣中，主對(duì)角線(xiàn)數(shù)字為預(yù)測(cè)正確樣本圖像的數(shù)量，其他位置的數(shù)字為預(yù)測(cè)錯(cuò)誤樣本圖像的數(shù)量。圖6可看出，模型對(duì)各類(lèi)花生莢果都有很好的識(shí)別結(jié)果。其中冀花5號(hào)的識(shí)別結(jié)果略差，有10個(gè)被預(yù)測(cè)成了中農(nóng)108號(hào)，冀花2號(hào)預(yù)測(cè)結(jié)果最好，全部預(yù)測(cè)正確。分析原始數(shù)據(jù)集發(fā)現(xiàn)冀花5號(hào)與中農(nóng)108號(hào)之間差異較小，這可能是導(dǎo)致網(wǎng)絡(luò)識(shí)別錯(cuò)誤的主要原因。13類(lèi)花生莢果的平均識(shí)別準(zhǔn)確率為87.73%，基本可滿(mǎn)足花生莢果分類(lèi)要求。

通過(guò)繪制網(wǎng)絡(luò)的ROC曲線(xiàn)圖進(jìn)一步說(shuō)明網(wǎng)絡(luò)的性能，見(jiàn)圖7。ROC是一條以真陽(yáng)性率(敏感性)為縱坐標(biāo)，假陽(yáng)性率(1-特異性)為橫坐標(biāo)繪制的曲線(xiàn)，是反映敏感性和特異性連續(xù)變量的綜合指標(biāo)。在ROC曲線(xiàn)上，最靠近坐標(biāo)圖左上方的點(diǎn)為敏感性和特異性均較高的臨界值。圖7可見(jiàn)，各類(lèi)花生莢果的ROC曲線(xiàn)都十分靠近左上角，這進(jìn)一步說(shuō)明了改進(jìn)型AlexNet網(wǎng)絡(luò)模型的優(yōu)越性。

從精確度、敏感性等5個(gè)方面詳細(xì)描述網(wǎng)絡(luò)性能，結(jié)果如表2所示。所有指標(biāo)根據(jù)混淆矩陣計(jì)算得出。其中計(jì)算公式如下：

其中，TP是指將正類(lèi)預(yù)測(cè)為正類(lèi)數(shù)，TN是指將負(fù)類(lèi)預(yù)測(cè)為負(fù)類(lèi)數(shù)，F(xiàn)P是指將負(fù)類(lèi)預(yù)測(cè)為正類(lèi)數(shù)，F(xiàn)N是指將正類(lèi)預(yù)測(cè)為負(fù)類(lèi)數(shù)。TP和TN是正確預(yù)測(cè)，F(xiàn)P和FN是錯(cuò)誤預(yù)測(cè)。

精確度方面，冀花5號(hào)花生最低，只有73.3%，冀花2號(hào)花生最高，為100%；在敏感性方面，16-2花生最低，只有67.6%，萊農(nóng)13號(hào)最高，為100%；在特異性方面，冀花5號(hào)花生最低，只有96.6%，101花生最高，為99.8%；在召回率方面，16-2花生最低，只有67.6%，萊農(nóng)13號(hào)最高，為100%；在F1值方面，16-2花生最低，為73.0%，萊農(nóng)13號(hào)最高，為95.6%。

表2 網(wǎng)絡(luò)性能分析/% Table 2 Specific analysis of network performance

2.3 與其他網(wǎng)絡(luò)的對(duì)比

為了驗(yàn)證改進(jìn)型AlexNet網(wǎng)絡(luò)的優(yōu)越性，與其他幾個(gè)先進(jìn)模型進(jìn)行比較，結(jié)果見(jiàn)表3。所有網(wǎng)絡(luò)采用相同的訓(xùn)練參數(shù)。其中深度是指網(wǎng)絡(luò)所有層的數(shù)量。由表3可以看到，本實(shí)驗(yàn)提出的改進(jìn)型AlexNet網(wǎng)絡(luò)的平均準(zhǔn)確率優(yōu)于原始AlexNet、GoogLeNet和SqueezeNet，這說(shuō)明了改進(jìn)型AlexNet的優(yōu)越性。準(zhǔn)確率略低于ResNet50，這是因?yàn)镽esNet50層數(shù)最多且采用了殘差學(xué)習(xí)模塊，但是ResNet網(wǎng)絡(luò)模型參數(shù)量大不宜部署，改進(jìn)型AlexNet相對(duì)來(lái)說(shuō)模型較小，且能保證較高的準(zhǔn)確率。綜合來(lái)說(shuō)，改進(jìn)型AlexNet是相對(duì)優(yōu)越的。

表3 不同模型識(shí)別結(jié)果對(duì)比 Table 3 Comparison of recognition results of different models

3 討 論

本實(shí)驗(yàn)借鑒VGGNet[20]、Inception[22-23]等經(jīng)典網(wǎng)絡(luò)，從三個(gè)方面對(duì)AlexNet網(wǎng)絡(luò)進(jìn)行改進(jìn)?；诟倪M(jìn)型AlexNet實(shí)現(xiàn)對(duì)不同品種花生莢果的識(shí)別，相對(duì)于原始AlexNet網(wǎng)絡(luò)，模型識(shí)別平均準(zhǔn)確率提高4.07個(gè)百分點(diǎn)。相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)，本實(shí)驗(yàn)提出的模型不需要人工定義特征，模型能夠自動(dòng)完成圖像的預(yù)處理，這樣就可以大幅減少圖像預(yù)處理所需要的時(shí)間。此外，模型的泛化能力較強(qiáng)，當(dāng)新的品種加入時(shí)，只需要重新訓(xùn)練一次模型就可以完成對(duì)新類(lèi)別的識(shí)別。

在分析采集的花生莢果品種時(shí)發(fā)現(xiàn)同系的莢果之間外觀(guān)差距很小，對(duì)于人來(lái)說(shuō)，它們是很難被分辨出來(lái)的，但是模型可以很好地進(jìn)行分辨。比如，就冀花2號(hào)和冀花4號(hào)來(lái)說(shuō)，模型就能很好地對(duì)其進(jìn)行分辨。此外，本實(shí)驗(yàn)是對(duì)13類(lèi)不同品種的花生莢果進(jìn)行識(shí)別。當(dāng)需要分類(lèi)的類(lèi)別增加時(shí)，模型的分類(lèi)難度也會(huì)相對(duì)增加。模型對(duì)冀花5號(hào)花生的誤判最多，一共60個(gè)測(cè)試樣本，只有44個(gè)識(shí)別正確。這可能是因?yàn)樵擃?lèi)花生莢果跟其他類(lèi)都存在相似之處。

通常對(duì)花生的研究大多集中在對(duì)花生仁的檢測(cè)，比如說(shuō)，韓仲志[26]等人利用支持向量機(jī)模型對(duì)不完善粒、霉變、雜質(zhì)、異品種等不同品質(zhì)的籽粒進(jìn)行分類(lèi)。趙志衡[27]等人基于卷積神經(jīng)網(wǎng)絡(luò)對(duì)花生籽粒完整性進(jìn)行識(shí)別，對(duì)完好花生、表皮破損和果仁破損的花生進(jìn)行分類(lèi)。張思雨[2]等人采用機(jī)器視覺(jué)與自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)3類(lèi)花生仁的品質(zhì)。劉翠玲[28]等人利用太赫茲衰減全反射技術(shù)對(duì)花生霉變程度進(jìn)行判別，對(duì)正常、輕度霉變、中度霉變和嚴(yán)重霉變進(jìn)行識(shí)別。Whitaker[29]等人使用電子顏色分選器對(duì)花生仁大小進(jìn)行分選。上述研究都是對(duì)花生仁方面的研究。但是，對(duì)花生仁進(jìn)行分類(lèi)已經(jīng)是后續(xù)處理，如果能夠在花生收獲后的帶殼狀態(tài)下分類(lèi)出不同品種的花生，則可以極大地減少工作量，且能針對(duì)不同類(lèi)型的用途選擇不同品種的花生。首先對(duì)花生莢果進(jìn)行識(shí)別分類(lèi)，之后再對(duì)每一類(lèi)花生進(jìn)行等級(jí)識(shí)別，搭配花生收獲機(jī)可以構(gòu)建一整套自動(dòng)化的花生分選生產(chǎn)線(xiàn)。

4 結(jié) 論

該研究基于改進(jìn)型AlexNet網(wǎng)絡(luò)對(duì)13類(lèi)花生莢果進(jìn)行分類(lèi)，從三個(gè)方面對(duì)原始AlexNet網(wǎng)絡(luò)進(jìn)行改進(jìn)，使得網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率得到提升。對(duì)712個(gè)花生莢果進(jìn)行測(cè)試，識(shí)別平均準(zhǔn)確率為87.73%，相對(duì)于原始AlexNet提高4.07個(gè)百分點(diǎn)?；ㄉv果的準(zhǔn)確、快速分類(lèi)，對(duì)新品種的選育、制油方式的選擇以及減少人力物力等方面都有重要價(jià)值。此外本實(shí)驗(yàn)證明了利用深度卷積網(wǎng)絡(luò)對(duì)花生品種識(shí)別分類(lèi)具有可行性。