CN112270385A - 基于卷积神经网络的竹片图像分类方法 - Google Patents
基于卷积神经网络的竹片图像分类方法 Download PDFInfo
- Publication number
- CN112270385A CN112270385A CN202011356797.0A CN202011356797A CN112270385A CN 112270385 A CN112270385 A CN 112270385A CN 202011356797 A CN202011356797 A CN 202011356797A CN 112270385 A CN112270385 A CN 112270385A
- Authority
- CN
- China
- Prior art keywords
- convolutional neural
- neural network
- bamboo chip
- accuracy
- bamboo
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
基于卷积神经网络的竹片图像分类方法,属于图像识别技术领域。本发明是为了解决现有的竹片检测方法存在竹片本身缺陷的检测准确率较低且耗时较长的问题。本发明首先利用竹片图像数据集对多个卷积神经网络中的每个卷积神经网络模型进行训练和验证;通过混淆矩阵对测试集下每个卷积神经网络的准确率进行对比;确定识别准确率最高的一个卷积神经网络,作为竹片图像分类卷积神经网络;然后利用竹片图像分类卷积神经网络进行竹片图像分类。本发明主要用于竹片图像的分类。
Description
技术领域
本发明涉及一种竹片图像分类方法。属于图像识别技术领域。
背景技术
随着时代的发展,人们对自身的保养意识逐渐加强。炎炎夏日里,良好舒适的睡眠是人们健康的保证,竹席具有良好的的透气性、凉爽和不卷曲等特性,逐步取代草席成为家家户户度过夏天的的必备品。与此同时,炭化竹席具有能吸附灰尘、清新空气、除菌、防臭等功能,能够促进人体新陈代谢。麻将凉席由大量形似麻将的竹片编织而成,可以达到按摩全身的效果。可以看出竹席有许多优点,所以竹席的需求量长盛不衰。
目前,中国的竹产业已形成了一种新的有潜力的行业,从资源培育与加工利用的潜力和活力,出口贸易,再到竹生态旅游。2009年,竹材产量13亿5600万,竹笋产量46.53多吨,竹产业总产值710亿元,中国竹制品出口额达15亿美元,产品出口到世界177个国家,居世界第一位。当前工业生产的所有麻将凉席竹片大多采用传统的人工筛选,筛选人员釆用肉眼观察。随着环境、工作时间和疲劳度所限,从众多竹片中发现缺陷,并完成分拣工作,这将耗费大量的人力、物力和财力,并且准确度和效率都较低。尤其是竹林是重要的非木质森林资源,我国现有竹子种类500余种。竹片的常见缺陷是各竹片间的形状差异,人工检测作为传统的检测方法,虽然能直观的观测到缺陷但是仍有一些缺点。首先,当缺陷图像与背景灰度差异较小或者缺陷不是很明显或者缺陷所在图像的背景比较模糊,人工检测会产生较大的误差;其次,人工检测很难跟上工业生产中竹片的传输速率,所以对产品检测的实时性会产生影响;最后,工人在进行人工检测的过程中或多或少的会受到主观因素影响导致缺陷判断的标准不能百分百相同,导致无法保证检测结果统一准确,并且经过长时间的人工检测,会对人的眼睛、身体等造成疲劳,导致漏检和错检。所以目前我们急需一种实时性好、可靠性高、智能的竹片表面缺陷检测识别分类技术。
国内目前对于竹片检测的自动化设备的生产已经逐步扩大。针对竹片缺陷检测的研究,广西师范大学蒋贤明等人推出一款竹片分拣机,该机器侧重点是挑选出未炭化的竹片,对于竹片的其它缺陷检测不够准确,算法相对来说比较复杂且检测速率低。浙江理工大学的华于生等人提出了基于嵌入式的竹片表面缺陷监测系统,但是检测速度比较慢而且硬件配置比较落后;湖北工业大学陈张言等人提出基于机器视觉的竹片缺陷检测系统,检测准确率已经可以到90%以上但是对于炭化竹片来讲无法做到准确识别;广西师范大学王东旭等人提出基于BP神经网络的竹片正反面识别,准确率达到97%,但是耗时很长并且无法识别出竹片本身所存在的缺陷。
发明内容
本发明是为了解决现有的竹片检测方法存在竹片本身缺陷的检测准确率较低且耗时较长的问题。
1、基于卷积神经网络的竹片图像分类方法,包括以下步骤:
S1、采集竹片图像建立数据集;
S2、将数据集分为训练集、验证集、测试集;
针对多个卷积神经网络中的每个卷积神经网络模型,分别利用迁移学习方法进行实验,实验过程中,分别利用训练集、验证集确定每个卷积神经网络模型权重及调整模型的超参数,然后利用测试集检验每个卷积神经网络的泛化能力;
通过混淆矩阵对测试集下每个卷积神经网络的准确率进行对比;确定识别准确率最高的一个卷积神经网络,作为竹片图像分类卷积神经网络;
S3、采集待分类的竹片图像,利用竹片图像分类卷积神经网络进行竹片图像分类。
进一步地,对测试集下每个卷积神经网络的准确率进行对比的过程是通过绘制的每个卷积神经网络实验结果折线图实现准确率进行对比的。
进一步地,绘制的每个卷积神经网络实验结果折线图的过程是利用Matlab软件完成的。
进一步地,利用训练集、验证集确定每个卷积神经网络模型权重及调整模型的超参数之前的卷积神经网络模型的超参数如下:
学习衰减率:0.001;动量:0.5;学习率:0.01;权值衰减率:0.0005;批量:32;轮数:60;训练算法:随机梯度下降法。
进一步地,通过混淆矩阵对测试集下每个卷积神经网络的准确率进行对比的过程包括以下步骤:
针对于每个卷积神经网络的预测结果,进行如下标记:
预测值为1,记为P;预测值为0,记为N;
预测值与真实值相同,记为T;预测值与真实值相反,记为F;
TP表示真阳,即真实为1,预测为1;FN表示假阴,即真实为1,预测为0;FP表示假阳,即真实为0,预测为1;TN表示真阴,即真实为0,预测为0;
有益效果:
本发明主要是利用普通深度学习和迁移学习技术中的3类不同结构的卷积神经网络进行实验,对自行采集的4类竹片图像进行自动图像分类识别,通过对比选择出识别效果最好的网络,最终效果最好的神经网络分类识别准确率达到98%以上,能很好的完成竹片筛检分类的任务,并且耗时短,6000多张图片只需要40分钟左右就可全部识别完毕,大大减少了人工成本的消耗。并且该发明是利用计算机对程序进行操控,大大减少了人工筛检的时间、精力、金钱,节省了成本,同时一次性分类图像可以达到成千上万张,节省时间。
附图说明
图1为神经网络实验结果的折线图;
图2为DenseNet121的混淆矩阵图。
具体实施方式
具体实施方式一:
本实施方式所述的基于卷积神经网络的竹片图像分类方法,包括以下步骤:
S1、首先在保持同样的拍摄距离和角度的情况下对竹片进行图像采集,采集工具为魅族魅蓝E3系列手机,这样保证图像不因拍摄工具不同而有质量区别。数据集中给每张照片进行了编号,这样可以从编号确定照片中的竹片属于哪一种类,由于相机拍摄时不稳定可能导致图像模糊,在本实施方式中删除部分模糊化的图像。利用竹片图像建立数据集;
对数据集内的每一张照片,进行手动裁剪,将每张照片尺寸改为统一的256×256,使图像更易于被处理。为了得到更加准确的识别分类效果,对采集到的4类竹片图像进行预处理,即利用直方图均衡增强方法对图像进行增强,直方图均衡增强是一种增强图像对比度的方法,其主要思想是将一副图像的直方图分布变成近似均匀分布,从而增强图像的对比度。
S2、确定用于竹片图像分类的神经网络模型;
为了找到效果最好的卷积神经网络,本实施方式选用了3种神经网络模型结构,分别是VGG16、ResNet50以及DenseNet121。
首先把输入的图像传输到卷积层中进行卷积,通过卷积操作对输入图像进行降维和特征抽取;但是经过卷积层提取特征以后的图像维数还是很高,此时需要池化层来进行处理,池化层的具体实现是在进行卷积操作之后对得到的特征图像进行分块,图像被划分成的不相交块,计算这些块内的最大值或平均值,得到池化后的图像,经过若干个卷积池化层对图像进行降维和特征提取后,图像进入全连接层,全连接层就是起到分类器的作用,通常使用的是softmax分类器,通过把前面的有用信息整合,加上激活函数的非线性映射,把卷积输出的二维特征图转化成一维向量,从而实现分类输出。VGG模型是一种卷积神经网络。VGG16就是把之前的VGG网络的1*1卷积核都换成3*3卷积核,从头到尾只有3*3卷积与2*2池化,增加网络深度的同时可以有效的提升网络训练的效果,相对于其他VGG模型,其对数据集的泛化能力更强。ResNet50即残差神经网络,是指通过对传统卷积神经网络加入残差学习,使得深层网络里梯度扩散以及准确度降低的问题,使得网络层次可以越来越深,既使得精度提高,又加快了速度。DenseNet的核心思想是将每一层与后面的层连接,即对某一层而言,它的输入是前面所有层输出的连结。DenseNet减轻梯度消失,提高了特征的传播效率和利用效率,减少了网络的参数量
首先本实施方式利用普通深度学习方法进行实验,深度学习的提出重点在于建立和模拟大脑在分析学习时的神经网络。深度学习有三大优点,一是可以处理大数据,二是计算能力强,三是不断创新的算法。
选择VGG16、ResNet50、DenseNet121三种网络模型分别对图像进行分类处理,将图像分为训练集、验证集、测试集,通过训练集确定神经网络训练模型的模型权重;通过验证集确定网络模型以及调整模型的超参数;测试集是检验模型的泛化能力。通过调参,实验的超参数选取为:
(1)学习衰减率:0.001。
(2)动量:0.5。
(3)学习率:0.01。
(4)权值衰减率:0.0005。
(5)批量:32。
(6)轮数:60。
(7)训练算法:随机梯度下降。
经过对竹片图像以及网络提取特征的研究和分析,以及经过对不同类别竹片图像的数据分布研究分析,发现:针对于竹片图像的分类而言,以上述超参数为基础进行模型超参数的调整,相比其他超参数作为训练基础的训练过程,可以缩短48%以上的超参数确定时间,进而极大地缩短训练时间,即本发明可以极大地缩短训练时间,同时以上述超参数为基础进行模型超参数的调整,还能够有效的缩短确定模型参数(训练过程确定的参数)的时间,并且保证确定模型参数对应的模型识别准确率。
再利用迁移学习方法进行实验,迁移学习是把已学训练好的模型参数迁移到新的模型来帮助新模型训练。考虑到大部分数据或任务是存在相关性的,所以通过迁移学习,可以将已经学到的模型参数通过某种方式来分享给新模型从而加快并优化模型的学习效率。利用此方法,可以有效解决小数据样本过拟合等问题。为了跟前文普通深度学习方法对应起来,使用迁移学习方法的时候,同样是选择了VGG16、ResNet50以及DenseNet121三种模型进行实验。
通过混淆矩阵,来对上述得到的准确率进行对比。混淆矩阵是数据科学、数据分析和机器学习中总结分类模型预测结果的情形分析表,以矩阵形式将数据集中的记录按照真实的类别与分类模型作出的分类判断两个标准进行汇总。
预测值为1,记为P;预测值为0,记为N;
预测值与真实值相同,记为T;预测值与真实值相反,记为F;
TP表示真阳,即真实为1,预测为1;FN表示假阴,即真实为1,预测为0;FP表示假阳,即真实为0,预测为1;TN表示真阴,即真实为0,预测为0。
评判混淆矩阵的好坏,需要看4个指标,分别是准确率、精确率、召回率和F1-Score。准确率=(TP+TN)/(TP+FP+TN+FN),精确率=TP/(TP+FP),召回率=TP/(TP+FN),经过对比以后,发现基于迁移学习的DenseNet121网络的实验结果最优,准确率达到98%,DenseNet121的混淆矩阵图如图2所示。。最后利用Matlab软件画出6种神经网络实验结果的折线图,使实验结果对比更加明显直观,如图1所示。
利用本发明的方法进行仿真,可以提升分类准确率以及减少人工劳动成本,通过实验,得到的最高分类准确率达到了98%,使得检测准确率得到了提升,并且该发明是利用计算机对程序进行操控,大大减少了人工筛检的时间、精力、金钱,节省了成本,同时一次性分类图像可以达到成千上万张,节省时间。最终效果最好的神经网络分类识别准确率达到98%以上,能很好的完成竹片筛检分类的任务,并且耗时短,6000多张图片只需要40分钟左右就可全部识别完毕,大大减少了人工成本的消耗。并且该发明是利用计算机对程序进行操控,大大减少了人工筛检的时间、精力、金钱,节省了成本,同时一次性分类图像可以达到成千上万张,节省时间。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (5)
1.基于卷积神经网络的竹片图像分类方法,其特征在于,包括以下步骤:
S1、采集竹片图像建立数据集;
S2、将数据集分为训练集、验证集、测试集;
针对多个卷积神经网络中的每个卷积神经网络模型,分别利用迁移学习方法进行实验,实验过程中,分别利用训练集、验证集确定每个卷积神经网络模型权重及调整模型的超参数,然后利用测试集检验每个卷积神经网络的泛化能力;
通过混淆矩阵对测试集下每个卷积神经网络的准确率进行对比;确定识别准确率最高的一个卷积神经网络,作为竹片图像分类卷积神经网络;
S3、采集待分类的竹片图像,利用竹片图像分类卷积神经网络进行竹片图像分类。
2.将权利要求1所述的基于卷积神经网络的竹片图像分类方法,其特征在于,对测试集下每个卷积神经网络的准确率进行对比的过程是通过绘制的每个卷积神经网络实验结果折线图实现准确率进行对比的。
3.将权利要求2所述的基于卷积神经网络的竹片图像分类方法,其特征在于,绘制的每个卷积神经网络实验结果折线图的过程是利用Matlab软件完成的。
4.将权利要求1、2或3所述的基于卷积神经网络的竹片图像分类方法,其特征在于,利用训练集、验证集确定每个卷积神经网络模型权重及调整模型的超参数之前的卷积神经网络模型的超参数如下:
学习衰减率:0.001;动量:0.5;学习率:0.01;权值衰减率:0.0005;批量:32;轮数:60;训练算法:随机梯度下降法。
5.将权利要求4所述的基于卷积神经网络的竹片图像分类方法,其特征在于,通过混淆矩阵对测试集下每个卷积神经网络的准确率进行对比的过程包括以下步骤:
针对于每个卷积神经网络的预测结果,进行如下标记:
预测值为1,记为P;预测值为0,记为N;
预测值与真实值相同,记为T;预测值与真实值相反,记为F;
TP表示真阳,即真实为1,预测为1;FN表示假阴,即真实为1,预测为0;FP表示假阳,即真实为0,预测为1;TN表示真阴,即真实为0,预测为0;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011356797.0A CN112270385A (zh) | 2020-11-27 | 2020-11-27 | 基于卷积神经网络的竹片图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011356797.0A CN112270385A (zh) | 2020-11-27 | 2020-11-27 | 基于卷积神经网络的竹片图像分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270385A true CN112270385A (zh) | 2021-01-26 |
Family
ID=74349999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011356797.0A Pending CN112270385A (zh) | 2020-11-27 | 2020-11-27 | 基于卷积神经网络的竹片图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270385A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114383663A (zh) * | 2022-01-17 | 2022-04-22 | 湖南省林业科学院 | 一种利用深度学习的毛竹扩张程度评价和防控系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
CN110689051A (zh) * | 2019-09-06 | 2020-01-14 | 北京市安全生产科学技术研究院 | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 |
-
2020
- 2020-11-27 CN CN202011356797.0A patent/CN112270385A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378252A (zh) * | 2019-06-28 | 2019-10-25 | 浙江大学 | 一种基于深度迁移学习的混凝土裂缝识别方法 |
CN110689051A (zh) * | 2019-09-06 | 2020-01-14 | 北京市安全生产科学技术研究院 | 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法 |
Non-Patent Citations (3)
Title |
---|
余小高: "《基于大数据的高风险学生预测研究》", 31 May 2019 * |
猿媛之家: "《Python程序员面试笔试宝典》", 31 March 2020 * |
皱奕轩: "基于卷积神经网络的甲状腺结节超声图像良恶性分类研究", 《万方数据》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114383663A (zh) * | 2022-01-17 | 2022-04-22 | 湖南省林业科学院 | 一种利用深度学习的毛竹扩张程度评价和防控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN106845556A (zh) | 一种基于卷积神经网络的织物疵点检测方法 | |
CN112241679B (zh) | 一种垃圾自动分类的方法 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN107808358A (zh) | 图像水印自动检测方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN112668630B (zh) | 一种基于模型剪枝的轻量化图像分类方法、系统及设备 | |
CN112232328A (zh) | 基于卷积神经网络的遥感影像建筑区提取方法、装置 | |
CN113034483B (zh) | 基于深度迁移学习的烟支缺陷检测方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
CN110942450A (zh) | 一种基于深度学习的多生产流水线实时缺陷检测方法 | |
CN114359727A (zh) | 基于轻量级优化Yolo v4的茶叶病害识别方法及系统 | |
CN110689039A (zh) | 一种基于四通道卷积神经网络的树干纹理识别方法 | |
CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
CN112487938A (zh) | 一种利用深度学习算法实现垃圾分类的方法 | |
CN112270385A (zh) | 基于卷积神经网络的竹片图像分类方法 | |
CN114972342A (zh) | 一种变速箱齿轮表面缺陷检测方法 | |
CN111768402A (zh) | 一种基于mu-svm的冰鲜鲳鱼新鲜度评估方法 | |
CN117078670B (zh) | 一种云相框的生产控制系统 | |
CN113112482A (zh) | 一种基于注意力机制网络的pcb缺陷检测方法 | |
CN117197591A (zh) | 一种基于机器学习的数据分类方法 | |
CN108596249B (zh) | 图像特征提取及分类的方法和装置 | |
CN112907651B (zh) | 基于语义分割网络的生蚝外部形态的测量方法 | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210126 |
|
WD01 | Invention patent application deemed withdrawn after publication |