基于卷積神經(jīng)網(wǎng)絡(luò)的白酒酒花分類研究

潘 斌 韓 強(qiáng) 姚婭川

(1.四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，四川 自貢 643000；2.人工智能四川省重點(diǎn)實(shí)驗(yàn)室，四川 自貢 643000；3.四川輕化工大學(xué)物理與電子工程學(xué)院，四川 自貢 643000)

中國(guó)白酒生產(chǎn)工藝中摘酒是非常重要的環(huán)節(jié)，目前絕大數(shù)酒廠摘酒多由工人憑借經(jīng)驗(yàn)按酒花進(jìn)行分類，效率低下且分類不夠客觀、準(zhǔn)確。為實(shí)現(xiàn)酒花自動(dòng)分類，進(jìn)一步實(shí)現(xiàn)自動(dòng)化摘酒，國(guó)內(nèi)外許多學(xué)者對(duì)代替人眼進(jìn)行酒花分類開(kāi)展了大量研究，趙平[1]設(shè)計(jì)了一種白酒量質(zhì)摘酒過(guò)程中的圖像采集和傳輸裝置，避免了摘酒工需要進(jìn)入生產(chǎn)車間，但仍然沒(méi)有消除摘酒過(guò)程中的人工干預(yù)。何盛國(guó)等[2]在白酒蒸餾的甑罐出口設(shè)置了酒精度、風(fēng)味物質(zhì)在線檢測(cè)儀器，完成分段摘酒。但該方法使用的在線檢測(cè)儀器價(jià)格昂貴，難以實(shí)現(xiàn)大規(guī)模的自動(dòng)化摘酒。范明明[3]利用近紅外技術(shù)，開(kāi)發(fā)了基于近紅外技術(shù)的白酒摘酒在線檢測(cè)裝置，取得了較好的試驗(yàn)效果，但需要在白酒生產(chǎn)線上進(jìn)行實(shí)用化試驗(yàn)。余鍇鑫[4]提出了基于圖像分類算法的自動(dòng)化摘酒方法研究，將深度學(xué)習(xí)引入到白酒摘酒環(huán)節(jié)，但受到了計(jì)算量的限制，分類速度緩慢。陳林等[5]提出酒精度重建模型配合分段摘酒裝置，通過(guò)音叉密度計(jì)建立基酒與酒精度模型的關(guān)系，來(lái)預(yù)測(cè)基酒酒精度。楊靜嫻等[6]提出基于圖像處理的白酒酒花輪廓檢測(cè)，采用模式識(shí)別的方式實(shí)現(xiàn)智能摘酒。

雖然目前已有酒企采用接觸式設(shè)備進(jìn)行智能摘酒，脫離了人工摘酒，但設(shè)備價(jià)格昂貴、維護(hù)成本高、不易實(shí)現(xiàn)大規(guī)模生產(chǎn)。而非接觸式的機(jī)器視覺(jué)技術(shù)，因?yàn)槌杀镜停奖憧旖?，易于大?guī)模實(shí)現(xiàn)。研究擬提出基于卷積神經(jīng)網(wǎng)絡(luò)的酒花分類方法，以期實(shí)現(xiàn)智能摘酒。

1 酒花特征分析與數(shù)據(jù)集構(gòu)建

1.1 酒花氣泡特征分析

相同的溫度和壓強(qiáng)下，不同成分的酒會(huì)具有不同的黏度和表面張力，因此酒花會(huì)有所不同[7-8]。不同酒精度的基酒產(chǎn)生的酒花會(huì)不同即酒花與基酒酒精度有對(duì)應(yīng)關(guān)系。酒花特征與酒精度的關(guān)系如表1所示。

表1 酒花特征與酒精度

1.2 酒花數(shù)據(jù)集構(gòu)建

目前中國(guó)沒(méi)有完整的酒花數(shù)據(jù)，需要人工采集，因此需要自行構(gòu)建白酒酒花數(shù)據(jù)集。

1.2.1 工業(yè)相機(jī)選型 工業(yè)相機(jī)具有高的成像質(zhì)量、更快的傳輸速度、更好的圖像穩(wěn)定性和更強(qiáng)的抗干擾能力，考慮到圖像傳感器類型、分辨率、幀率、接口類型等，選擇中國(guó)?？低暪旧a(chǎn)的MV-CA050-20GM/GC型工業(yè)面陣相機(jī)。其性能參數(shù)如表2所示。

表2 MV-CA050-20型工業(yè)相機(jī)性能參數(shù)

1.2.2 數(shù)據(jù)采集 為實(shí)現(xiàn)精確的酒花分類，采用控制變量法采集數(shù)據(jù)，利用蒸汽閥門控制流酒速度，盛酒器與流酒管高度固定。酒花數(shù)據(jù)來(lái)自中國(guó)某酒廠，采用MV-CA050-20GM/GC型工業(yè)面陣相機(jī)，由2名生產(chǎn)組組長(zhǎng)協(xié)同采集(四段)酒花視頻數(shù)據(jù)以保證樣本的正確性。四段酒花數(shù)據(jù)包含不同角度、不同光照條件、不同摘酒現(xiàn)場(chǎng)的樣本，基本考慮到了摘酒現(xiàn)場(chǎng)各種可能出現(xiàn)的因素。從四段酒花視頻中分別逐幀提取頭段酒花、中段酒花、末段酒花、酒尾酒花原始樣本，分別獲取1 375，1 386，1 369，1 386個(gè)樣本，樣本圖像大小544×960×3，圖像類型為JPG格式。

2 圖像預(yù)處理

為了提高系統(tǒng)后續(xù)輸入圖像的可信度與分類準(zhǔn)確率，減少分類時(shí)間，對(duì)圖像進(jìn)行預(yù)處理，包括：輸入圖像、圖像灰度化、Gamam校正、圖像濾波4步。

2.1 圖像灰度化與Gamma 校正

圖像灰度化是指將彩色圖像中多個(gè)通道各種對(duì)應(yīng)的分量通過(guò)一種方法轉(zhuǎn)化為一個(gè)通道的灰度圖[9]。文中選用加權(quán)平均法作為圖像灰度化的方法，其數(shù)學(xué)表達(dá)式：

Gray=R×ωR+G×ωG+B×ωB，

(1)

式中：

R、G、B——對(duì)應(yīng)通道的像素值；

ωR——R通道的權(quán)重，取0.299；

ωG——G通道的權(quán)重，取0.114；

ωR——B通道的權(quán)重，取0.587。

Gamma校正的壓縮計(jì)算公式：

I(x,y)=I(x,y)g，

(2)

式中：

I(x,y)——灰度圖；

g——校正值。

2.2 圖像濾波

均值濾波是將濾波核內(nèi)像素的平均值代替濾波核中心位置像素值[10]。假設(shè)現(xiàn)在使用3×3的模板對(duì)m×n的圖像進(jìn)形濾波，圖解如圖1所示。

圖1 均值濾波

由圖2可知，均值濾波算法可表示為：

(3)

式中：

2≤x≤m-1;

2≤y≤n-1;

fa(x,y)——輸出圖像；

f(x,y)——原始圖像；

m、n——圖片大小。

中值濾波屬于非線性濾波方法，基本思想是將濾波核的中心像素，由鄰域像素灰度值的中值代替[11]，中值濾波示意如圖2所示。

在圖2中，采用3×3濾波核，濾波核的大小可以自己確定，常用濾波核大小有5×5，9×9形式，濾波核的大小通常為奇數(shù)。以3×3為例中值抑噪可由式(4)表示。

圖2 中值濾波示意圖

fm(x,y)=med[f(x+k,y+l)],(k,l∈[-1,1])，

(4)

式中：

f(x,y)——原始圖像；

fm(x,y)——中值濾波后的結(jié)果圖。

高斯濾波是一種線性平滑濾波，能為鄰域內(nèi)每個(gè)像素賦予權(quán)值，濾波核的中心像素由不同權(quán)值的鄰域像素加權(quán)平均值確定[12]，高斯濾波圖解如圖3所示。

圖3 高斯濾波

圖3中高斯卷積核由二維高斯函數(shù)進(jìn)行離散化得到，二維高斯函數(shù)如式(5)所示。

(5)

由式(5)離散化得到式(6):

(6)

式中：

k——核矩陣的維數(shù)；

σ——方差；

i、j——核矩陣中各點(diǎn)到中心點(diǎn)的距離。

以頭段酒花為例各濾波示意圖如圖4所示。

圖4 濾波示意圖

通過(guò)研究表明，白酒酒花圖像中存在的噪聲多為高斯噪聲，因此選用高斯濾波。

3 基于卷積神經(jīng)網(wǎng)絡(luò)酒花分類模型設(shè)計(jì)

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，具備良好的自學(xué)習(xí)特征能力，強(qiáng)大的并行處理能力，以及優(yōu)秀的魯棒性，卷積網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖5所示。主要由輸入層、卷積層、激活層和池化層、全連接層構(gòu)成。

圖5 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

(1)數(shù)據(jù)輸入層：對(duì)待輸入的樣本圖片進(jìn)行一些預(yù)處理，例如將所有樣本統(tǒng)一成相同的大小，方便后續(xù)的其他操作。

(2)卷積層：卷積層也叫特征提取層，是卷積神經(jīng)網(wǎng)絡(luò)的核心部分。卷積過(guò)程如圖6所示。

圖6 卷積過(guò)程

(3)池化層：也被稱為下采樣層。池化就是對(duì)圖像某個(gè)區(qū)域的特征進(jìn)行統(tǒng)計(jì)分析，并將統(tǒng)計(jì)的結(jié)果用來(lái)表示整個(gè)區(qū)域的總體特征。運(yùn)算過(guò)程如圖7所示。

圖7 池化過(guò)程

(4)激活層：解決線性模型所不能解決的問(wèn)題，常見(jiàn)的激活函數(shù)有Sigmoid、Tanh、ReLU、PreLU、Maxout等。

(5)全連接層：將最后得到的圖像特征，映射成一個(gè)固定長(zhǎng)度的特征向量，傳入分類器完成最終分類。

(6)輸出層：輸出層一般為分類器層，最后輸出的是一個(gè)將制定分類的種類數(shù)目作為維度的概率向量。

3.2 基于改進(jìn)Vgg16+遷移學(xué)習(xí)的模型設(shè)計(jì)

3.2.1 Vgg16模型 傳統(tǒng)Vgg16模型結(jié)構(gòu)如表3所示，Vgg16總網(wǎng)絡(luò)深度為16，其中包含13個(gè)卷積層和3個(gè)全連接層。輸入圖片大小為224×224×3的彩色圖片，其卷積核采用隨機(jī)初始化，池化層采用最大池化，激活函數(shù)采用ReLU激活函數(shù)，分類器采用Soft_max。

表3 Vgg16模型結(jié)構(gòu)

3.2.2 遷移學(xué)習(xí) 傳統(tǒng)的數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)算法使用帶標(biāo)簽或不帶標(biāo)簽的數(shù)據(jù)集，統(tǒng)計(jì)模型對(duì)未來(lái)數(shù)據(jù)進(jìn)行預(yù)測(cè)。半監(jiān)督分類使用大量未標(biāo)注的數(shù)據(jù)集和少量標(biāo)注數(shù)據(jù)集，解決標(biāo)簽數(shù)據(jù)集太少而無(wú)法訓(xùn)練良好的分類器的問(wèn)題，大多數(shù)是基于假設(shè)標(biāo)記樣本和未標(biāo)記樣本具有相同的分布。然而在實(shí)際應(yīng)用中，搜集樣本費(fèi)時(shí)費(fèi)力，帶標(biāo)簽的訓(xùn)練樣本數(shù)量更是有限，所以服從統(tǒng)一分布的數(shù)據(jù)的假設(shè)很難滿足。統(tǒng)計(jì)模型必須根據(jù)不同數(shù)據(jù)分布重構(gòu)模型，重構(gòu)模型和重采集訓(xùn)練樣本的代價(jià)太大。針對(duì)以上問(wèn)題，遷移學(xué)習(xí)可以解決數(shù)據(jù)重采集和模型重構(gòu)的問(wèn)題，而且遷移學(xué)習(xí)還可以實(shí)現(xiàn)異類數(shù)據(jù)集之間的知識(shí)轉(zhuǎn)移[13]。遷移學(xué)習(xí)的動(dòng)機(jī)是人們可以智能地應(yīng)用以前學(xué)習(xí)到的知識(shí)來(lái)更快地解決新的問(wèn)題，或者有更好的解決方案。

3.2.3 池化層設(shè)計(jì) 為在保留圖像輪廓的完整性的同時(shí)，盡可能多地保留圖像特征信息，文中結(jié)合最大池化與平均池化的優(yōu)點(diǎn)提出最大—均值池化方式。通過(guò)式(7)和式(8)分別定義最大池化和平均池化的數(shù)學(xué)表達(dá)式：

(7)

(8)

式中：

xm——得到圖像的滑動(dòng)窗口n個(gè)像素點(diǎn)中的第m個(gè)像素點(diǎn)；

m——在滑動(dòng)窗口中的位置。

池化方式是將xm映射到對(duì)應(yīng)的統(tǒng)計(jì)值。

通過(guò)聯(lián)合兩者的優(yōu)點(diǎn)，將最大池化方式和平均池化方式分別以權(quán)重相加得到新的池化方式——最大—均值池化。其數(shù)學(xué)表達(dá)式可表示為：

(9)

式中：

α+β=1。

3.2.4 激活函數(shù)設(shè)計(jì) 為了解決ReLU激活函數(shù)存在的“神經(jīng)元死亡”和輸出偏移問(wèn)題，提高網(wǎng)絡(luò)模型的分類性能，提出一種基于ReLU激活函數(shù)與Tanh激活函數(shù)改進(jìn)的激活函數(shù)TReLU。其數(shù)學(xué)表達(dá)式：

(10)

式中：

α——可調(diào)參數(shù)。

3.2.5 參數(shù)優(yōu)化方法 反向傳播技術(shù)的使用使得深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練成為可能，基本原理是通過(guò)實(shí)際輸出與期望輸出計(jì)算出誤差，并采用梯度下降法計(jì)算出誤差函數(shù)相對(duì)于權(quán)值參數(shù)的梯度；然后在損失函數(shù)梯度的反方向上更新權(quán)值，假設(shè)有m個(gè)數(shù)據(jù)樣本{(x1,y1),…,(xm,ym)}，對(duì)于單個(gè)樣本(x,y)的損失函數(shù)定義為：

(11)

式中：

ω——連接權(quán)值；

b——偏置；

hω,b(x)——網(wǎng)絡(luò)實(shí)際輸出；

y——網(wǎng)絡(luò)的期望輸出。

對(duì)于整個(gè)樣本數(shù)據(jù)集m的整體損失函數(shù)可以表示為：

(12)

式中：

ω——權(quán)值矩陣；

nl——網(wǎng)絡(luò)層數(shù)；

sl——對(duì)應(yīng)網(wǎng)絡(luò)層神經(jīng)元數(shù)目；

λ——權(quán)值衰減參數(shù)。

梯度下降法在計(jì)算梯度時(shí)只進(jìn)行了一次權(quán)值更新，所以處理大量數(shù)據(jù)時(shí)其收斂速度很慢。針對(duì)上述問(wèn)題提出了幾種優(yōu)化梯度下降法的方法。

(1)隨機(jī)梯度下降法：隨機(jī)梯度下降法(SGD)的基本原理是參數(shù)更新都是隨機(jī)從訓(xùn)練集中選取[14]，更新迭代公式：

θ=θ-η·?θJ(θ;xi;yi)，

(13)

式中：

η——學(xué)習(xí)率；

xi、yi——訓(xùn)練樣本；

θ——訓(xùn)練參數(shù)。

隨機(jī)梯度下降法的優(yōu)點(diǎn)在于頻繁的參數(shù)更新使得參數(shù)間具有高方差，這有助于網(wǎng)絡(luò)收斂到最優(yōu)解。但缺點(diǎn)是參數(shù)的更新都是隨機(jī)從訓(xùn)練集中選取，每次的參數(shù)更新方向具有隨機(jī)性，增加了網(wǎng)絡(luò)的迭代次數(shù)，使網(wǎng)絡(luò)收斂速度變得緩慢。

(2)小批次隨機(jī)梯度下降法：小批次隨機(jī)梯度下降法的提出是為了緩解隨機(jī)梯度下降法中網(wǎng)絡(luò)迭代次數(shù)增加和網(wǎng)絡(luò)收斂速度緩慢的問(wèn)題，在參數(shù)更新速度和更新次數(shù)間取得一個(gè)平衡[15]，在參數(shù)每次的更新過(guò)程中會(huì)從訓(xùn)練集中隨機(jī)選取m(m

θ=θ-η·?θJ(θ;xi:i+m;yi:i+m)，

(14)

式中：

η——學(xué)習(xí)率；

xi:i+m、yi:i+m——訓(xùn)練樣本；

θ——訓(xùn)練參數(shù)動(dòng)量因子方法。

由于梯度下降法在應(yīng)用過(guò)程中伴隨著高方差振蕩，這使得網(wǎng)絡(luò)很難穩(wěn)定收斂，因此研究者[16]提出了動(dòng)量技術(shù)來(lái)緩解網(wǎng)絡(luò)收斂不穩(wěn)定的問(wèn)題，數(shù)學(xué)表達(dá)：

vt=μvt-1+η?θJ(θ)，

(15)

θ=θ-vt，

(16)

式中：

μ——0～1的動(dòng)量因子；

vt-1——上一次的更新值。

選用小批次隨機(jī)梯度下降法，加入動(dòng)量因子對(duì)小批次隨機(jī)梯度下降法，減少計(jì)算量，加快網(wǎng)絡(luò)收斂。

3.3 最終模型結(jié)構(gòu)

文中改進(jìn)模型是基于Vgg16大框架下進(jìn)行改進(jìn)，該模型結(jié)構(gòu)框圖如圖8所示。

在圖8中，卷積核初始化方式采用基于權(quán)重的遷移學(xué)習(xí)，池化方式采用改進(jìn)后的最大—均值池化方式，激活函數(shù)采用改進(jìn)后的TReLU激活函數(shù)。

圖8 改進(jìn)模型結(jié)構(gòu)

4 試驗(yàn)結(jié)果分析

4.1 試驗(yàn)平臺(tái)

試驗(yàn)基于操作系統(tǒng)windows 1064，處理器Intel(R)core(TM)i5-8300H CPU @ 2.30GHZ，內(nèi)存8.00 GB，顯卡NVIDIA GeForce GTX 1050的開(kāi)發(fā)平臺(tái)，采用python + tensorflow + pycharm作為開(kāi)發(fā)環(huán)境。

4.2 試驗(yàn)結(jié)果及其分析

整個(gè)試驗(yàn)部分使用的數(shù)據(jù)集，如無(wú)特別說(shuō)明都采用以下數(shù)據(jù)集，從構(gòu)建的酒花數(shù)據(jù)集中選取頭段酒花、中段酒花、末段酒花、酒尾酒花圖片各1 000張。其中70%作為訓(xùn)練集，30%作為測(cè)試集，圖片大小為544×960×3。

模型采用改進(jìn)Vgg16+遷移學(xué)習(xí)，圖像輸入要經(jīng)過(guò)5次池化，由模型結(jié)構(gòu)可以推出第1，2，3，4，5次池化的特征圖個(gè)數(shù)分別為64，128，256，512，512。由于篇幅有限文中展示第1次和第5次池化后的部分特征圖，如圖9所示。1∶1特征融合圖，如圖10所示。

圖9 池化后的特征圖

由圖10可知，最初卷積提取到的特征比較全面，圖像紋理邊緣信息比較清楚，隨著卷積的深入，特征圖越來(lái)越抽象。第1次池化后特征提取的信息比較全面，特征融合過(guò)后能夠看見(jiàn)較清楚的酒花。第5次池化后圖像變得模糊，高級(jí)特征肉眼不可見(jiàn)，特征融合后圖像也比較抽象，肉眼基本無(wú)法看見(jiàn)酒花。

圖10 1∶1特征融合圖

4.2.1 經(jīng)典模型分類結(jié)果 為了驗(yàn)證現(xiàn)有經(jīng)典模型對(duì)白酒酒花的分類效果，直接將預(yù)處理后的酒花圖像輸入到模型中，對(duì)其準(zhǔn)確率和迭代步數(shù)進(jìn)行比較。試驗(yàn)仿真結(jié)果如圖11所示。

由圖11(a)可以看出，LeNet_5、AlexNet網(wǎng)絡(luò)深度淺，分別是5層和8層，在迭代次數(shù)較少的情況下就達(dá)到飽和，對(duì)于一些簡(jiǎn)單的分類任務(wù)能夠達(dá)到很高的準(zhǔn)確率。但酒花分類準(zhǔn)確率遠(yuǎn)低于人工分類，達(dá)不到分類精度要求。由圖11(b)可以看出，隨著卷積網(wǎng)絡(luò)深度的加深，分類準(zhǔn)確率逐漸提高，但仍然達(dá)不到酒花分類的精度要求，且相應(yīng)的訓(xùn)練時(shí)間也變長(zhǎng)。

圖11 經(jīng)典模型分類結(jié)果

4.2.2 基于改進(jìn)池化方式的準(zhǔn)確率對(duì)比 為驗(yàn)證改進(jìn)池化方式的有效性，在傳統(tǒng)Vgg16框架的基礎(chǔ)上，改變不同的池化方式，驗(yàn)證其在白酒酒花分類的準(zhǔn)確率。試驗(yàn)結(jié)果如圖12所示。

單一的池化方式不能完全考慮圖像特征信息，平均池化更多地保留了圖像的背景信息，忽略了圖像中的紋理信息，相反最大池化則更多地保留了紋理信息，因?yàn)榫苹ㄌ卣鲗?duì)紋理要求高，從圖12可以看出最大池化的準(zhǔn)確率略大于平均池化的。但兩種方法對(duì)酒花分類準(zhǔn)確率明顯低于改進(jìn)的池化方法，因?yàn)楦倪M(jìn)的方法綜合考慮了背景與紋理信息。

圖12 不同池化方式準(zhǔn)確率對(duì)比

4.2.3 基于改進(jìn)激活函數(shù)的準(zhǔn)確率對(duì)比 為驗(yàn)證改進(jìn)激活的有效性，在傳統(tǒng)Vgg16框架的基礎(chǔ)上，使用不同的激活函數(shù)，驗(yàn)證其在白酒酒花分類的準(zhǔn)確率。試驗(yàn)結(jié)果如圖13所示。

圖13 不同激活函數(shù)準(zhǔn)確率對(duì)比

Sigmoid函數(shù)與Tanh函數(shù)容易產(chǎn)生梯度消失的情況，ReLU函數(shù)在反向傳播過(guò)程中會(huì)出現(xiàn)神經(jīng)元死亡。從圖14可以看出，改進(jìn)的激活函數(shù)分類準(zhǔn)確率高于其他幾種激活函數(shù)。

4.2.4 最終模型與傳統(tǒng)Vgg16模型準(zhǔn)確率對(duì)比 最終模型結(jié)構(gòu)包括Vgg16框架+遷移學(xué)習(xí)+改進(jìn)池化方式+改進(jìn)激活函數(shù)，為驗(yàn)證改進(jìn)模型的有效性，將其與原始Vgg16模型進(jìn)行對(duì)比。試驗(yàn)結(jié)果如圖14所示。

從圖14可以看出，基于Vgg16改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)白酒酒花數(shù)據(jù)集分類準(zhǔn)確率有明顯的提升，未改進(jìn)前分類準(zhǔn)確率為80.30%，改進(jìn)后分類準(zhǔn)確率為96.69%，改進(jìn)后的分類準(zhǔn)確率能夠達(dá)到白酒生產(chǎn)的實(shí)時(shí)性要求。改進(jìn)模型與傳統(tǒng)模型試驗(yàn)結(jié)果對(duì)比如表4所示。

圖14 改進(jìn)模型準(zhǔn)確率

從表4可以看出，LeNet_5、AlexNet網(wǎng)絡(luò)深度淺，訓(xùn)練時(shí)間短，分類準(zhǔn)確率低，Vgg11和Vgg16隨著層數(shù)增加分類準(zhǔn)確率明顯提高，但訓(xùn)練時(shí)間較長(zhǎng)，改進(jìn)模型在分類準(zhǔn)確率與訓(xùn)練時(shí)間取得了一個(gè)平衡，且分類準(zhǔn)確率高于其他幾種分類模型。

表4 改進(jìn)模型與傳統(tǒng)模型試驗(yàn)結(jié)果對(duì)比

4.2.5 人工分類對(duì)比試驗(yàn) 從頭段酒花、中段酒花、末段酒花、酒尾酒花分別選取100張組成人工分類和試驗(yàn)系統(tǒng)分類對(duì)比的數(shù)據(jù)集。將400張酒花圖片的標(biāo)簽隱藏并且將圖片隨機(jī)排序，從生產(chǎn)線上請(qǐng)2位經(jīng)驗(yàn)豐富的摘酒師傅A(chǔ)和B，再請(qǐng)2位年輕的摘酒師傅C和D對(duì)此次試驗(yàn)數(shù)據(jù)集進(jìn)行2次分類，第1次分類試驗(yàn)結(jié)果如表5所示。

第2次試驗(yàn)使用同樣的數(shù)據(jù)集，告知4位摘酒師傅數(shù)據(jù)集已經(jīng)改變，試驗(yàn)分類結(jié)果如表6所示。

從表5和表6可以看出，無(wú)論是人工分類還是試驗(yàn)系統(tǒng)分類在沒(méi)有時(shí)間的要求下分類準(zhǔn)確率基本都能達(dá)到90%以上；經(jīng)驗(yàn)不同的員工分類準(zhǔn)確率高低不同，同一工人在不同時(shí)間準(zhǔn)確率也會(huì)有波動(dòng)，人工分類具有不穩(wěn)定性，而機(jī)器視覺(jué)的分類精度高且穩(wěn)定，因此試驗(yàn)系統(tǒng)分類算法相比人工分類具有一定的優(yōu)越性。

表5 人工分類與系統(tǒng)分類準(zhǔn)確率對(duì)比(第1次)

表6 人工分類與系統(tǒng)分類準(zhǔn)確率對(duì)比(第2次)

使用上述數(shù)據(jù)集完成分類時(shí)間對(duì)比試驗(yàn)，結(jié)果如表7所示。

表7 人工分類與系統(tǒng)分類(每張)耗時(shí)對(duì)比

從表7可以看出，人工分類時(shí)間雖然有所不同但總體需要時(shí)間較多，分類一張圖片大約需要0.69 s，然而試驗(yàn)系統(tǒng)分類時(shí)間需要0.22 s，因此試驗(yàn)分類系統(tǒng)能夠達(dá)到白酒生產(chǎn)的實(shí)時(shí)性要求。

5 結(jié)論

試驗(yàn)提出的基于改進(jìn)Vgg16+遷移學(xué)習(xí)的分類模型，能夠高效、精確地對(duì)不同類別的酒花進(jìn)行分類。試驗(yàn)結(jié)果表明，該分類模型的準(zhǔn)確率達(dá)96.69%，比人工穩(wěn)定性好且準(zhǔn)確率高，具有較好的實(shí)用性。后續(xù)研究將繼續(xù)提升白酒酒花分類的速度，進(jìn)一步改進(jìn)模型提高分類準(zhǔn)確率，實(shí)現(xiàn)白酒生產(chǎn)摘酒智能。