首页|基于迁移学习番茄品质分级的研究应用

基于迁移学习番茄品质分级的研究应用

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为解决手工分拣番茄存在劳动力浪费,分选质量得不到保证等问题,采用基于迁移学习的方式训练微调后的AlexNet网络,对常见的6种番茄进行品质分级研究;并探究不同优化算法和初始学习率对模型训练精度的影响,以及AlexNet网络卷积层对不同番茄所激活的区域.以迁移学习的方式进行训练的AlexNet模型,测试识别精度达到97.70％,相较于AlexNet 、GoogLeNet 、MobileNet-V2、NasNet-Mobile、ShuffleNet、SqueezeNet 6种模型,测试精度提高0.38％～14.54％,并且训练时间、收敛速度、图片识别时间、损失值都表现较好.SGDM优化算法比Adam算法、RMSprop算法在训练时间上分别提高37.7％和38.9％;验证精度提高5.5％和3.97％;测试精度提高7.39％和4.46％.当学习率为0.0001时,模型收敛较快,且收敛稳定后损失较低,SGDM的优化算法和0.0001的粗略学习率更适合模型.研究结果为番茄分级研究提供理论支持.
Research and application of tomato quality grading based on transfer learning

阮子行、黄勇、王梦、马博、代丹丹

展开 >

新疆农业大学 机电工程学院,乌鲁木齐 830052

新疆工程学院 机电工程学院,乌鲁木齐 830023

AlexNet 迁移学习 品质分级 番茄 优化算法

新疆维吾尔自治区自然科学基金青年基金新疆维吾尔自治区科协青年人才托举工程项目

2019D01B08RCTJ46

2023

10.3969/j.issn.1005-1295.2023.02.007

包装与食品机械
中国机械工程学会

包装与食品机械

CSTPCD北大核心
影响因子：1.019
ISSN：1005-1295
年,卷(期)：2023.41(2)
  • 1
  • 7