基于深度卷積神經(jīng)網(wǎng)絡(luò)及遷移學(xué)習(xí)的紙病分類方法研究

曲蘊慧 湯 偉 成爽爽

（1.西安醫(yī)學(xué)院計算機教研室，陜西西安，710021；

2.陜西科技大學(xué)電氣與控制工程學(xué)院，陜西西安，710021）

紙張抄造過程中出現(xiàn)的如臟點、孔洞、褶皺、劃痕、塵埃及裂縫等表面瑕疵統(tǒng)稱為紙病。紙病的出現(xiàn)會對紙張，尤其是對航天航空用紙、電容器紙及壁紙原紙等附加值高的特種紙張的后續(xù)使用帶來不良影響，甚至是巨大的經(jīng)濟損失。因此，需要在紙張抄造過程中及時發(fā)現(xiàn)這類紙張的表面瑕疵并進行標記處理，必要時甚至需要對紙病產(chǎn)生的原因進行溯源[1-3]。紙病診斷技術(shù)是指通過工業(yè)相機在線采集紙張圖像來判斷紙張是否含有紙病，并對含有紙病的紙張圖像進行紙病分類，對紙病大小、位置等信息識別。紙病診斷過程如圖1所示[4-6]。

由圖1可以看出，紙病分類是整個紙病診斷過程中非常關(guān)鍵的一步。精確地分辨出各類紙病，對于找出紙病成因、預(yù)警紙機故障有著重要的意義。

圖1 紙病診斷過程示意圖Fig.1 Schematic diagram of paper defects'diagnosis procedure

在紙病分類方面，目前研究最多的是采用人工神經(jīng)網(wǎng)絡(luò)來建立分類器。倪潔等人[7]利用BP神經(jīng)網(wǎng)絡(luò)建立紙病分類器來區(qū)分孔洞、塵埃、褶子和裂口4類紙病。魏愛娟等人[8]對BP神經(jīng)網(wǎng)絡(luò)收斂速度慢等問題進行了改進，采用學(xué)習(xí)樣本產(chǎn)生的總誤差來調(diào)整權(quán)值，提高BP算法的速度。支持向量機（Support Vector Machine，SVM）、二維小波變換、分型理論、徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN）等在紙病分類方面的應(yīng)用都有相應(yīng)的研究[9]。目前，雖然紙病辨識分類算法研究很多，但大都是針對幾種較常見紙病進行分類，對一些難點紙病的檢測效果不太理想。傳統(tǒng)的紙病辨識分類算法需要在特征提取的基礎(chǔ)上進行，每加入一種需要辨識分類的紙病，就需要對其特征進行研究提取，并對分類器進行改造，所以識別種類和效率很難提高。

本課題針對現(xiàn)有算法在一些細微紙?。ㄈ珩薨?、裂痕）上識別分類效果欠缺以及目前國內(nèi)大多紙病分類器可識別紙病種類少、識別精度不夠等問題和分類器可擴展性差等問題，結(jié)合人工智能以及深度學(xué)習(xí)的原理，設(shè)計適用于紙病圖像的小樣本深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolution Neural Network，DCNN）分類器，提高紙病識別效率及精度，使紙病識別功能進一步加強。

1 傳統(tǒng)紙病分類方法及所存在的問題

傳統(tǒng)的紙病分類方法主要由紙病特征提取和紙病分類2大部分組成，流程圖如圖2所示。

圖2 傳統(tǒng)紙病分類算法流程圖Fig.2 Flow chart of traditional paper defects classification algorithm

在進行紙病分類前，首先需要提取可用于紙病分類的紙病圖像特征。用于紙病種類很多，很多紙病特征類似，差距很小，如何選擇能夠有效區(qū)分各類紙病的紙病特征是紙病特征提取的難點。在提取到紙病特征后，需使用相應(yīng)特征作為分類器數(shù)據(jù)，設(shè)計相應(yīng)分類器對紙病進行分類。所以要獲得好的分類效果需要選擇大量不同類型的紙病特征，同時設(shè)計一個強大的多紙病圖像的分類器。

根據(jù)以上流程可知，傳統(tǒng)的紙病分類方法主要存在以下3方面的問題：①紙病圖像特征選擇和提取難度大。如利用灰度特征可以區(qū)分臟點和孔洞，但很難區(qū)分裂痕和孔洞；利用幾何特征可以區(qū)分裂痕和孔洞，但無法區(qū)分裂痕和褶皺；還有些紙病，需要一些更復(fù)雜的特征組合才能加以區(qū)分。故在傳統(tǒng)的紙病分類中，特征提取算法是整個過程的難點之一。②分類器的設(shè)計以及選擇難度大。紙病圖像分類器的設(shè)計需要綜合考慮收斂速度、過擬合問題、訓(xùn)練數(shù)據(jù)集大小等多種問題，因此目前大多紙病分類器的分類能力局限于4～5種最常見的紙病。③紙病圖像特征和分類器相適應(yīng)的問題。在傳統(tǒng)的紙病分類過程中，紙病特征提取算法和紙病分類算法為2大類算法，即分2個階段完成。所以會出現(xiàn)后一階段所設(shè)計的紙病分類器并不能完全適用特征提取算法所提取的紙病特征，從而導(dǎo)致所涉及的分類器在實際使用過程中分類效果不理想。

綜上所述，傳統(tǒng)的紙病辨識分類算法需要在特征提取的基礎(chǔ)上進行，每加入一種需要辨識分類的紙病，就需要對其特征進行研究提取，并對分類器進行改造，所以識別種類和效率很難提高。故本課題提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的紙病分類方法，可通過卷積操作自動提取紙病圖像深層次的特征，有效解決紙病特征量難確定及難點紙病特征量難構(gòu)建的問題，從而提高紙病辨識分類的精度及可擴充性。

2 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紙病分類方法

2.1 深度卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）的研究始于20世紀八、九十年代，進入21世紀后，隨著深度學(xué)習(xí)理論的提出和數(shù)值計算設(shè)備的改進，CNN得到了快速發(fā)展。CNN是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feed forward Neural Networks），是深度學(xué)習(xí)（Deep Learning）的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)（Repre?sentation Learning）能力，能夠按其階層結(jié)構(gòu)對輸入信息進行平移不變分類（Shift-invariant Classifica?tion），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（Shift-invariant Artificial Neural Networks，SIANN）”。

CNN仿造生物的視知覺（Visual Perception）機制構(gòu)建，可以進行監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，其隱含層內(nèi)的卷積核參數(shù)共享和層間連接的稀疏性使得卷積神經(jīng)網(wǎng)絡(luò)能夠以較小的計算量對格點化（Gridlike Topology）特征，如像素和音頻進行學(xué)習(xí)、有穩(wěn)定的效果且對數(shù)據(jù)沒有額外的特征工程（Fea?ture Engineering）要求。研究發(fā)現(xiàn)，通過增加CNN的深度可以增強CNN的表達能力，故使用深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）進行圖像分類是當(dāng)今研究的熱點[10-11]。

2.2 基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)的選擇

在眾多基礎(chǔ)深度卷積神經(jīng)網(wǎng)絡(luò)中，VGG16的網(wǎng)絡(luò)具有分類性能好、網(wǎng)絡(luò)結(jié)構(gòu)規(guī)整、修改相對容易等特點，其網(wǎng)絡(luò)結(jié)構(gòu)及部分卷積層輸出特征如圖3所示[12]。

圖3中，輸入層圖像大小為224×224像素；VGG16共有13個卷積層。其中在第2、4、7、10、13層卷積層后各有1個最大池化層（max-pooling）。所有卷積層中的卷積核大小均為3×3，這樣采用多個較小的卷積核疊加達到較大卷積核的卷積效果方法，相當(dāng)于添加了隱式的正則化，可以提高網(wǎng)絡(luò)的分類能力，增加網(wǎng)絡(luò)的運算速度。VGG16有3個全連接層神經(jīng)元個數(shù)，分別是4096、4096、1000，最后一層的1000對應(yīng)ImageNet圖像識別挑戰(zhàn)賽中要識別的類別數(shù)量（1000個）。之后通過Softmax層進行轉(zhuǎn)換，便于與樣本數(shù)據(jù)進行比較，計算誤差。

圖3 VGG16網(wǎng)絡(luò)結(jié)構(gòu)及部分卷積層輸出示意圖Fig.3 Network structure and output of some convolution layers of VGG16

總的來說，VGG16網(wǎng)絡(luò)集成了“更深的網(wǎng)絡(luò)架構(gòu)，準確率更高”的信念。采用較小的過濾器實現(xiàn)了增加網(wǎng)絡(luò)深度的目的，同時避免參數(shù)過度膨脹的問題。鑒于以上分析，研究中采用VGG16網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)，進行改進。

2.3 改進VGG16紙病圖像分類器

2.3.1 微調(diào)深度卷積神經(jīng)網(wǎng)絡(luò)

在基于深度卷積神經(jīng)網(wǎng)絡(luò)的分類任務(wù)中，足夠數(shù)量的訓(xùn)練樣本可以避免嚴重的過擬合問題。但在目前紙病分類研究中，沒有公認的紙病公共數(shù)據(jù)庫來進行訓(xùn)練及性能測試，只能通過工業(yè)相機在實際生產(chǎn)線上采集足夠數(shù)量的圖像，然后通過人工在所有圖像中找出瑕疵，并對瑕疵進行分類，建立數(shù)據(jù)庫來進行研究比對，獲得的樣本數(shù)據(jù)量不足。在這種背景下，本課題結(jié)合遷移學(xué)習(xí)和微調(diào)深度卷積神經(jīng)網(wǎng)絡(luò)的思想來構(gòu)造深度卷積神經(jīng)網(wǎng)絡(luò)分類器[13]。

目標數(shù)據(jù)集與原始數(shù)據(jù)集的相似程度不同，使用遷移學(xué)習(xí)的方法也將各不相同。主要有以下4種情形[14]：①目標數(shù)據(jù)集較小，目標數(shù)據(jù)集與原始數(shù)據(jù)集相似；②目標數(shù)據(jù)集較小，目標數(shù)據(jù)集與原始數(shù)據(jù)集差異較大；③目標數(shù)據(jù)集充足，且目標數(shù)據(jù)集與原始數(shù)據(jù)集相似；④目標數(shù)據(jù)集充足，但目標數(shù)據(jù)集與原始數(shù)據(jù)集差異較大。

在使用遷移學(xué)習(xí)進行紙病分類的過程中，遷移學(xué)習(xí)方式的選擇及如何進行微調(diào)，是提高分類準確率和節(jié)省網(wǎng)絡(luò)訓(xùn)練時間的關(guān)鍵。對于紙病圖像分類任務(wù)而言，屬于以上情形的第②種，即紙病圖像數(shù)據(jù)集相對于原始數(shù)據(jù)集規(guī)模較小，目標數(shù)據(jù)不足，所以選擇微調(diào)網(wǎng)絡(luò)后幾層；又因紙病圖像數(shù)據(jù)集與原始數(shù)據(jù)集的差異大，所以更高級的特征不同，則不用保留更高級的層，只需保留低層卷積層用于提取圖像紋理、邊緣以及形狀等基礎(chǔ)特征。因此，研究中凍結(jié)和微調(diào)策略相結(jié)合，使用ImageNet數(shù)據(jù)集訓(xùn)練好的VGG16卷積層的前7層，并凍結(jié)其相應(yīng)參數(shù)；從第9層開始隨機初始化參數(shù)，利用紙病圖像數(shù)據(jù)來逐層微調(diào)其后的網(wǎng)絡(luò)，具體思路如圖4所示。

圖4 微調(diào)VGG16網(wǎng)絡(luò)示意圖Fig.4 Schematic diagram of fine tuning VGG16 network

2.3.2 全連接層設(shè)計

原始VGG16網(wǎng)絡(luò)有3個全連接層，神經(jīng)元個數(shù)分別是4096、4096、1000，本課題根據(jù)紙病分類的實際情況，重新設(shè)計全連接層。

（1）改進卷積層與全連接層之間的池化層，使用全局平均池化層，將卷積層出來的三維數(shù)組重塑為128位的向量。

（2）凍結(jié)前2個全連接層的神經(jīng)元個數(shù)及參數(shù)；將最后1個全連接層替換為具有6個神經(jīng)元的全連接層，使其滿足實驗中所設(shè)計的5類紙病圖像以及1類正常圖像，共6類圖像的分類輸出。

（3）在全連接層中，采用Dropout算法降低神經(jīng)元之間的依賴性，從而防止過擬合現(xiàn)象的出現(xiàn)。

（4）在最后1個全連接層之后連接Softmax層，使用Softmax邏輯回歸函數(shù)計算輸入圖像屬于某類的概率，并將概率歸一到[0，1]空間。

（5）在激活函數(shù)方面，為防止梯度飽和效應(yīng)出現(xiàn)，采用修正線性單元ReLU作為激活函數(shù)。

2.3.3 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紙病分類方法

本課題將深度卷積神經(jīng)網(wǎng)絡(luò)VGG16模型與遷移學(xué)習(xí)的方法相結(jié)合，采用ImageNet數(shù)據(jù)集對VGG16網(wǎng)絡(luò)進行訓(xùn)練，凍結(jié)訓(xùn)練好的VGG16網(wǎng)絡(luò)卷積層的前7層，使用帶標簽的紙病圖像數(shù)據(jù)集對后面卷積層進行網(wǎng)絡(luò)微調(diào)，提取紙病圖像特征。最后經(jīng)改進后的全連接層和Softmax層進行紙病圖像分類，具體流程如圖5所示。

圖5中右半部分為采用ImageNet數(shù)據(jù)集來訓(xùn)練VGG16深度卷積模型的過程，此部分目前Matlab2019b以及Tensorflow的Keras中均已經(jīng)有訓(xùn)練好的模型可供調(diào)用，故在實驗過程中，此部分直接進行模型調(diào)用即可；左半部分為本章算法的流程，具體步驟如下。

圖5 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紙病分類方法流程圖Fig.5 Flow chart of paper defects classification method based on deep convolution neural network

Step 1：數(shù)據(jù)預(yù)處理

對前期采用工業(yè)相機采集到的、并進行預(yù)檢測后存儲到上位機的紙病圖像進行歸一化處理，得到適用于分類器大小為224×224像素的紙病圖像。

Step 2：調(diào)用模型

調(diào)用深度學(xué)習(xí)庫中已經(jīng)訓(xùn)練成熟的VGG16深度卷積神經(jīng)網(wǎng)絡(luò)模型。

Step 3：使用遷移學(xué)習(xí)策略進行模型的訓(xùn)練

根據(jù)2.3.1節(jié)的分析，對Step2中調(diào)用的模型，固定其卷積層前7層的參數(shù)；從第8層開始，使用自建的紙病圖像集對模型進行訓(xùn)練，微調(diào)8～13層的卷積層參數(shù)。

Step 4：分類并輸出

使用上述全連接層對紙病圖像進行分類，輸出圖像所屬的類別及概率。

3 實驗

3.1 紙病圖像數(shù)據(jù)采集及預(yù)處理

本課題從實驗室紙機設(shè)備通過工業(yè)相機采集臟點、孔洞、亮斑、褶皺、裂痕5類紙病圖像及無紙病圖像進行研究。預(yù)處理過程中，采用工業(yè)相機采集紙病圖像。由于各種類型紙病幾何形狀各異，其最小外接矩形長寬和大小各異，故預(yù)處理過程中，需要對紙病圖像大小進行統(tǒng)一。統(tǒng)一過程中，考慮到每幅紙病圖像應(yīng)能最大程度上表征紙病區(qū)域，同時盡可能降低算法復(fù)雜度，故在研究過程中，首先取紙病區(qū)域的最小外接正方形；然后將外接矩形圖像縮放到224×224像素；最后采用手工對每幅樣本圖像進行標簽，得到最終的紙病圖像數(shù)據(jù)集。

在樣本集的制作過程中，由于紙病的產(chǎn)生為小概率事件，而卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練及測試又需要大量的數(shù)據(jù)集。雖然采用遷移學(xué)習(xí)以及微調(diào)深度卷積神經(jīng)網(wǎng)絡(luò)的方法可以減少對樣本數(shù)量的要求，但是足量的訓(xùn)練數(shù)據(jù)能夠避免嚴重的過擬合問題。故在紙病數(shù)據(jù)集制作過程中，為增加紙病圖像數(shù)據(jù)集的規(guī)模，實驗過程中采用了鏡像、旋轉(zhuǎn)等操作（如對紙病圖像進行90°、180°旋轉(zhuǎn)等，可在保持紙病圖像特征的情況下，增大紙病圖像數(shù)據(jù)集），以及對同一紙病在不同光源干擾下進行多次采集來擴充數(shù)據(jù)集，進行數(shù)據(jù)增強。最終得到臟點圖像370張、孔洞340張、亮斑280張、褶皺350張、裂痕360張及正常紙張圖像300例，共計2000幅圖像作為紙病圖像數(shù)據(jù)集（紙病圖像數(shù)據(jù)集中的部分圖像數(shù)據(jù)如圖6所示），并按照4∶1的比例劃分訓(xùn)練集及測試集進行紙病分類器的訓(xùn)練及數(shù)據(jù)測試。由于紙病數(shù)據(jù)集數(shù)量較少，故在實驗過程中對訓(xùn)練數(shù)據(jù)集按3∶1劃分為訓(xùn)練數(shù)據(jù)集及驗證數(shù)據(jù)集，使用交叉驗證的方式有效防止過擬合現(xiàn)象的發(fā)生。

圖6 紙病圖像數(shù)據(jù)集Fig.6 Data set of paper defect images

3.2 環(huán)境及參數(shù)設(shè)置

3.2.1 實驗環(huán)境

實驗所采用的環(huán)境為：Win10操作系統(tǒng)，Intel?Core?i7-7500U CPU，8G內(nèi)存，256G固態(tài)硬盤。采用Matlab 2019b平臺進行模型的搭建和訓(xùn)練。

3.2.2 網(wǎng)絡(luò)參數(shù)設(shè)置

（1）自監(jiān)督訓(xùn)練選擇的優(yōu)化器為：Sgdm。Sgdm采用基于動量的隨機梯度下降法，是目前使用最多的網(wǎng)絡(luò)訓(xùn)練方法，其得到的網(wǎng)絡(luò)穩(wěn)定，結(jié)果可靠。

（2）學(xué)習(xí)率的設(shè)置：由于本課題算法是對在ImageNet上已經(jīng)訓(xùn)練好的模型進行遷移學(xué)習(xí)，所以網(wǎng)絡(luò)在原始數(shù)據(jù)集上已經(jīng)收斂，故應(yīng)設(shè)置較小的學(xué)習(xí)率在目標數(shù)據(jù)集上進行微調(diào)。實驗過程中，設(shè)初始學(xué)習(xí)率為1e-4，采用動量對模型的學(xué)習(xí)率進行調(diào)整，動量的設(shè)置值為0.9。

（3）設(shè)置訓(xùn)練的最大迭代次數(shù)為2000次（20輪，每輪100次），批大小Batch-size為64；Dropout（隨機失活）為0.5。

3.3 結(jié)果與分析

3.3.1 測試樣本分類結(jié)果及分析

實驗過程中對紙病圖像數(shù)據(jù)集按照6∶2∶2進行劃分，其中60%用于模型訓(xùn)練，20%用于驗證，20%用于測試，同時按照上述參數(shù)進行初始化設(shè)置。訓(xùn)練過程中，在訓(xùn)練集以及驗證集上的準確率及損失曲線圖如圖7所示。

圖7 訓(xùn)練輸出曲線Fig.7 Training output curves

采用測試數(shù)據(jù)集對訓(xùn)練好的模型進行測試，部分樣本及其分類后輸出的結(jié)果如圖8所示。其中類型后面的數(shù)字為該樣本屬于此類別的概率，如dirty 0.95表示該樣本為臟點概率為95%。

圖8 本課題方法輸出的分類結(jié)果Fig.8 Output of classification results inthis study

實驗過程對測試集中400例數(shù)據(jù)的分類情況進行了統(tǒng)計，結(jié)果如表1所示。

由表1的數(shù)據(jù)結(jié)果可以看出，識別率最低的為亮斑，主要被識別為孔洞或難以檢出。通過對識別錯誤的樣本圖片觀察發(fā)現(xiàn)出現(xiàn)錯誤識別的主要情況有2種：①在紙病圖像數(shù)據(jù)采集時，由于采用的是頂光源與底光源的混合照射，如果頂光源亮度過高，采集到的亮斑區(qū)域的灰度值幾乎接近于正常紙張，肉眼也很難區(qū)分，所以會導(dǎo)致錯分；②識別錯誤的亮斑圖像與底光源照射強度過高時采集到的孔洞類型紙病圖片非常類似，系統(tǒng)很難區(qū)分，這也是孔洞類圖像識別錯誤所在。

表1 測試樣本分類結(jié)果Table 1 Classification results of the test samples

除以上2種情況外，當(dāng)紙病采集裝置的光源強度優(yōu)化適當(dāng)，采集到的亮斑圖像較清晰時，分類正確率較高。除亮斑外，其余類型紙病的識別正確率均在90%以上，識別效果良好。

3.3.2 不同分類方法對比分析

為進一步驗證本課題分類方法的有效性，將其廣泛使用的BP神經(jīng)網(wǎng)絡(luò)算法[15]、SVM算法[16-17]及AlexNet卷積神經(jīng)網(wǎng)絡(luò)分類算法進行對比，結(jié)果如表2所示。

表2 4種算法性能對比Table 2 Performance comparison of 4 algorithms

由表2的結(jié)果可以看出，本課題所提出基于遷移學(xué)習(xí)策略的紙病分類方法在分類效果上較傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)及SVM的紙病分類方法，分類準確率有了很大提高。尤其對于BP神經(jīng)網(wǎng)絡(luò)及SVM，在之前研究過程中，其分類準確率可達95%以上，但這建立在對紙病圖像進行了一系列預(yù)處理以及特征分析和提取的基礎(chǔ)上；而在本實驗過程中，加入新的紙病后，在不改變前期所選擇的特征向量的前提下，分類準確率有了明顯下降，由此可見傳統(tǒng)的紙病分類方法可擴展性較差。對于AlexNet網(wǎng)絡(luò)及本課題所提出的基于遷移學(xué)習(xí)策略的分類方法，在實驗過程中，其在驗證集上的分類正確率分別為96.37%和96.46%；但由于紙病樣本數(shù)有限，導(dǎo)致訓(xùn)練樣本量不足，使采用AlexNet算法在測試集上的準確率明顯下降。

3.3.3 凍結(jié)不同卷積層對比分析

為進一步驗證本課題所提出的遷移學(xué)習(xí)策略的有效性，研究過程分別凍結(jié)不同的卷積層參數(shù)，并對其分類正確率進行了對比，對比效果如表3所示。其中，凍結(jié)0層表示直接用自建的紙病數(shù)據(jù)集對VGG16模型進行訓(xùn)練。

表3 凍結(jié)不同層數(shù)后的正確率對比Table 3 Accuracy comparison after freeze on different layers

由表3可知，當(dāng)凍結(jié)層數(shù)過多時，由于紙病圖像數(shù)據(jù)集與ImageNet數(shù)據(jù)集差異較大，會導(dǎo)致分類準確率較低；而當(dāng)凍結(jié)層數(shù)過少時，由于紙病數(shù)據(jù)集規(guī)模較小，在訓(xùn)練過程中容易出現(xiàn)過擬合現(xiàn)象。同時，在測試集上的正確率也難以提高。結(jié)果表明，本課題所提出的凍結(jié)VGG16模型前7層的方案在測試集上分類效果最佳，正確率可達到94%以上，而其余3種方案正確率均在92%左右。故本課題所提出的遷移學(xué)習(xí)策略在紙病分類過程中性能最好。

4 結(jié) 論

本課題將深度卷積神經(jīng)網(wǎng)絡(luò)VGG16模型與遷移學(xué)習(xí)的方法相結(jié)合，采用基于遷移學(xué)習(xí)策略建立紙病圖像識別分類模型，使用實驗室紙病檢測系統(tǒng)采集建立的紙病圖像數(shù)據(jù)集進行實驗驗證，其準確率可達94.75%，并且收斂速度較快，在實驗所用的訓(xùn)練集與驗證集之間無過擬合現(xiàn)象的出現(xiàn)，效果良好。結(jié)果表明本課題所提出的方法在分類準確性、實時性及可擴展性方面較傳統(tǒng)方法有一定的改進，更加適用于生產(chǎn)線上紙病的分類過程。