深度学习网络在苹果表面病变图像识别中的应用

• 作 者: 曲之琳
• 出 处: 南京邮电大学
• 发表日期: 2017年期
• 关键词: 深度学习 苹果表面病变图像 图像识别 卷积神经网络 深度信念网络 支持向量机

深度学习是机器学习研究中的一个新的领域。它模仿人脑的机制来解释数据,例如图像,声音和文本。随着深度学习发展愈加成熟,深度学习在各个领域得到了广泛的应用。为了对成熟的苹果进行病变分类,本文研究将深度学习应用于苹果病变图像识别。首先,进行苹果图像的采集取样工作,将其分成了四种类型:完好、腐烂、虫眼以及裂纹,建立苹果表面图像数据库。接着,分别根据不同的深度学习方法对数据输入格式的要求对苹果病变图像进行尺寸的缩减、灰度以及白化降维等预处理。构建了苹果图像数据库后,首先利用传统卷积神经网络对苹果图像进行识别分类,同时,对传统卷积神经网络进行优化,缩短训练时间,提高分类准确性。其次,构建由深度信念网络与支持向量机组合的混合模型对苹果图像进行识别分类。最后,使用卷积限制性玻尔兹曼机搭建深度信念网络对苹果图像进行识别。本文研究的主要工作包括:(1)本文阐述了深度学习的发展历程,分析了深度学习网络较于浅层网络的优势。利用传统卷积神经网络在采集的有表面病变的苹果图像上进行训练分类,并对传统神经网络进行优化,将其与支持向量机相结合来完成图像识别任务,对图像进行分类。通过实验训练,图像特征提取和分类效果都得到改进。(2)将多个限制性玻尔兹曼机与支持向量机连接构建多层分类模型,对苹果图像进行识别,取得良好效果。其中,特征提取使用的是深度学习算法,特征分类则用到支持向量机,充分利用这一分类模型对苹果图像进行识别。在实验训练过程中发现,这一分类模型可以有效进行图像识别。并且通过一次次训练,得出了样本数目、网络层数、节点数对图像识别准确率的影响,得到了各个相关参数与图像识别正确率的关系。(3)用卷积限制性波尔兹曼机构建深度网络,在训练网络的过程中,将无监督学习和有监督学习轮流替换使用,将改进的由卷积限制性玻尔兹曼机构建的深度学习网络运用到苹果图像中进行识别,在不断的验证中,证明这个网络是有效可用的,同时也验证了卷积核和识别结果的关系。