《續(xù)》
4.3.3 不同網(wǎng)絡(luò)層結(jié)構(gòu)的分析
對(duì)整個(gè)卷積神經(jīng)網(wǎng)絡(luò)從結(jié)構(gòu)上分解，其本質(zhì)為不同種類網(wǎng)絡(luò)層的組合。不同的網(wǎng)絡(luò)層可以實(shí)現(xiàn)不同的作用。在CNN中，網(wǎng)絡(luò)主要分為卷積層與全連接層兩個(gè)大類。對(duì)這兩類繼續(xù)細(xì)化，卷積層中除了卷積核個(gè)數(shù)尺寸等參數(shù)不同外，層內(nèi)是否具有池化操作以及是否進(jìn)行Padding都將導(dǎo)致網(wǎng)絡(luò)層的不同功能與性能；而全連接層中是否采用Dropout也會(huì)導(dǎo)致整體網(wǎng)絡(luò)性能的不同。
傳統(tǒng)神經(jīng)網(wǎng)絡(luò)分析過(guò)程中，一般選擇全連接的方式，且假設(shè)上一層的全部輸入和當(dāng)前網(wǎng)絡(luò)層的輸出全部會(huì)表現(xiàn)出一定的關(guān)聯(lián)，在這種處理模式下，如果面對(duì)復(fù)雜問(wèn)題會(huì)導(dǎo)致相應(yīng)的數(shù)據(jù)參數(shù)過(guò)多，網(wǎng)絡(luò)規(guī)模也過(guò)大，不容易進(jìn)行分析和計(jì)算。卷積神經(jīng)網(wǎng)絡(luò)中通過(guò)卷積層相關(guān)的局部連接和權(quán)值共享處理并進(jìn)行對(duì)應(yīng)的池化層下采樣操作，可以有效的減少參數(shù)，降低網(wǎng)絡(luò)的規(guī)模。在多個(gè)卷積層后設(shè)置再全連接，并在最后的全連接層上通過(guò)softmax分類器進(jìn)行圖像分類，相關(guān)權(quán)值數(shù)量可以明顯的減小，對(duì)應(yīng)的網(wǎng)絡(luò)層復(fù)雜度降低，并且可以有效的避免過(guò)擬合現(xiàn)象。為了確定不同的網(wǎng)絡(luò)層設(shè)置對(duì)于圖像識(shí)別效果的影響，本文基于豬胴體圖像分級(jí)的原始網(wǎng)絡(luò)模型，將其他參數(shù)固定，適當(dāng)?shù)男薷母骶W(wǎng)絡(luò)層的數(shù)量，確定以下四種不同的實(shí)驗(yàn)?zāi)Ｐ汀?/div>
（4.4）
（4.5）
圖4.5 sigmoid函數(shù)、ReLU函數(shù)以及Tanh函數(shù)
圖4.6 不同激活函數(shù)對(duì)豬胴體圖像識(shí)別效果的影響
表4.5 改進(jìn)后的網(wǎng)絡(luò)模型卷積層部分參數(shù)
圖 4.7 網(wǎng)絡(luò)模型訓(xùn)練中缺失值和迭代次數(shù)的關(guān)系
表4.6 1000張隨機(jī)測(cè)試測(cè)試結(jié)果
表4.7 本文CNN-P與前人利用非深度學(xué)習(xí)方法的效果比較
模型一：將網(wǎng)絡(luò)模型中的fc1、fc2全連接層去掉，將卷積層部分直接連接到fc3層的全連接與softmax運(yùn)算；
模型二：去掉網(wǎng)絡(luò)模型中的一個(gè)卷積層C4層，將C3層的結(jié)果直接連接到fc1全連接層；
模型三：去掉網(wǎng)絡(luò)模型中兩層卷積層C2、C3，在C1層卷積池化操作后直接連接到C4層；
模型四：去掉網(wǎng)絡(luò)模型中的兩個(gè)卷積層C3、C4以及全連接層fc1、fc2，在C2層卷積操作后直接連接到fc3層全連接并softmax。
確定以上模型之后，分別對(duì)豬胴體圖像數(shù)據(jù)集進(jìn)行訓(xùn)練識(shí)別，所得結(jié)果如表4.3所示。
表4.3 不同的網(wǎng)絡(luò)結(jié)構(gòu)模型測(cè)試結(jié)果
| 模型 | 訓(xùn)練集誤判率 | 測(cè)試集誤判率 |
| 模型一 | 8.93% | 21.65% |
| 模型二 | 11.60% | 23.43% |
| 模型三 | 19.93% | 35.22% |
| 模型四 | 29.02% | 71.70% |
| 基礎(chǔ)模型 | 6.22% | 17.71% |
分析上表結(jié)果可發(fā)現(xiàn)，在解決豬胴體圖像分級(jí)問(wèn)題時(shí)，網(wǎng)絡(luò)中的全連接層的改變對(duì)整個(gè)網(wǎng)絡(luò)性能的影響明顯小于卷積層的改變，通過(guò)模型二、模型三與原始模型的對(duì)比，可以發(fā)現(xiàn)網(wǎng)絡(luò)模型中其他參數(shù)不變的情況下，卷積層的減少將明顯地對(duì)網(wǎng)絡(luò)識(shí)別效果產(chǎn)生影響，且減少的數(shù)量越大造成的性能損失越大。由此可知卷積神經(jīng)網(wǎng)絡(luò)中網(wǎng)絡(luò)的性能與網(wǎng)絡(luò)層的深度密切相關(guān)，且網(wǎng)絡(luò)層數(shù)的增加將一定程度的提升網(wǎng)絡(luò)的整體性能。但如果不恰當(dāng)?shù)貙?duì)網(wǎng)絡(luò)層數(shù)量過(guò)分地增加后，相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜度也大幅度的提高，因而在卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)建過(guò)程中，應(yīng)設(shè)置合適的網(wǎng)絡(luò)層層數(shù)。
4.3.4 嘗試其他激活函數(shù)的分析
多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立是基于神經(jīng)網(wǎng)絡(luò)模型的理論之上的。由單個(gè)神經(jīng)元模型可知，多層神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元的功能實(shí)現(xiàn)也需要通過(guò)激活函數(shù)f來(lái)確定出相應(yīng)的結(jié)構(gòu)。在選擇網(wǎng)絡(luò)的激活函數(shù)f的過(guò)程中，可以選擇的函數(shù)有Sigmoid、Tanh和Relu函數(shù)等。前兩個(gè)函數(shù)的對(duì)應(yīng)的表達(dá)式如（4.4）、（4.5）所示：
（4.4）（4.5） 各函數(shù)的函數(shù)曲線圖具體如圖4.5所示。
圖4.5 sigmoid函數(shù)、ReLU函數(shù)以及Tanh函數(shù)
ReLU函數(shù)是由數(shù)學(xué)家希爾頓在2012年首次提出的，通過(guò)此函數(shù)對(duì)模型初始化時(shí)可以降低噪聲的影響，且可以有效的避免出現(xiàn)0梯度問(wèn)題的出現(xiàn)，對(duì)應(yīng)的函數(shù)表達(dá)式如（4.6）所示：
f（x）=max（0，x） （4.6）
在ReLU函數(shù)中，當(dāng)輸入信號(hào)小于0時(shí)相應(yīng)的輸出都是0，而在輸入大于0情況下，則輸出該值。Krizh等學(xué)者在進(jìn)行此方面的研究時(shí)發(fā)現(xiàn)，通過(guò)Relu激活函數(shù)建立的模型隨機(jī)梯度下降的收斂速度明顯的高于其他函數(shù)，并且在網(wǎng)絡(luò)參數(shù)的設(shè)置過(guò)程中，Relu只需設(shè)定一個(gè)閾值即可滿足激活要求，不必進(jìn)行大量的數(shù)學(xué)運(yùn)算。本文在分析激活函數(shù)和這種圖像識(shí)別的關(guān)系時(shí)，控制其他參數(shù)不變，分別利用TensorFlow框架中對(duì)應(yīng)的三個(gè)函數(shù)封裝包分別應(yīng)用于訓(xùn)練相應(yīng)的網(wǎng)絡(luò)模型，對(duì)其相應(yīng)的識(shí)別率進(jìn)行比對(duì)分析。結(jié)果顯示如圖4.6所示。
圖4.6 不同激活函數(shù)對(duì)豬胴體圖像識(shí)別效果的影響
分析圖4.6的結(jié)果可發(fā)現(xiàn)，將ReLU作為激活函數(shù)對(duì)應(yīng)的網(wǎng)絡(luò)模型的識(shí)別圖像結(jié)果，識(shí)別效果更優(yōu)，明顯的高于其他兩種函數(shù)，而其對(duì)兩種數(shù)據(jù)的誤判率分別為6.54%和17.85%，和其他兩種函數(shù)對(duì)應(yīng)的網(wǎng)絡(luò)模型識(shí)別效果存在明顯的差異，其他兩種函數(shù)的識(shí)別效果差異則不明顯。對(duì)此進(jìn)行分析可以發(fā)現(xiàn)其原因在于通過(guò)Sigmoid函數(shù)對(duì)應(yīng)的網(wǎng)絡(luò)處理時(shí)，會(huì)導(dǎo)致飽和的神經(jīng)元梯度消失，對(duì)應(yīng)的輸出結(jié)果分散性很?chē)?yán)重，容易造成數(shù)據(jù)分散，不滿足分類要求。而通過(guò)Tanh函數(shù)進(jìn)行處理時(shí)，雖然所得數(shù)據(jù)以零點(diǎn)為分類中心點(diǎn)，不過(guò)在處理過(guò)程中也會(huì)出現(xiàn)神經(jīng)元飽和、梯度消失等缺陷。而ReLU函數(shù)可以很好的避免以上兩者遇到的問(wèn)題，且對(duì)應(yīng)的收斂能力明顯的提高，識(shí)別效果也滿足要求。
4.4 優(yōu)化的豬胴體圖像識(shí)別模型
在此基礎(chǔ)上總結(jié)以上模型各參數(shù)對(duì)豬胴體圖像識(shí)別影響情況，然后優(yōu)化和改進(jìn)基礎(chǔ)模型，建立起對(duì)應(yīng)的豬胴體圖像識(shí)別模型CNN-P。該模型較原始模型的改變與參數(shù)設(shè)置如下：
在結(jié)構(gòu)上，CNN-P模型較原始模型增加了一個(gè)包含池化運(yùn)算的卷積層C2，加大了網(wǎng)絡(luò)深度的同時(shí)增加了卷積運(yùn)算并多了一次池化操作，進(jìn)一步提升了提取特征值的準(zhǔn)確度。各卷積層的參數(shù)設(shè)置中，從C2 到C5層的卷積核尺寸全部選擇為3×3，池化范圍尺寸選擇為3×3。相應(yīng)的 Padding 設(shè)置選擇SAME，在卷積時(shí)對(duì)應(yīng)的外圍添加一層0，這樣可以保證卷積所得映射層圖像大小滿足一致性要求，且相應(yīng)的特征表達(dá)也明顯的提高。
同時(shí)為了防止出現(xiàn)過(guò)擬合問(wèn)題，在改進(jìn)時(shí)主要在全連接層fc2增加dropout方法，對(duì)應(yīng)的參數(shù)設(shè)置為0.5，也就是隨機(jī)讓一半連接到輸出層的結(jié)點(diǎn)不工作。
經(jīng)過(guò)改進(jìn)后，CNN-P網(wǎng)絡(luò)模型共有八個(gè)網(wǎng)絡(luò)層，其中包括五個(gè)卷積層和三個(gè)全連接層，在網(wǎng)絡(luò)的最后一層fc3中設(shè)置softmax進(jìn)行分類。這種改進(jìn)后的網(wǎng)絡(luò)模型CNN-P具體參數(shù)如表4.4、4.5所示。
表4.4 改進(jìn)后的網(wǎng)絡(luò)模型全連接層部分參數(shù)
| 全連接層 | 激活函數(shù) | dropout |
| fc1 | RELU | 有 |
| fc2 | RELU | 無(wú) |
| fc3 | 無(wú) | 無(wú) |
表4.5 改進(jìn)后的網(wǎng)絡(luò)模型卷積層部分參數(shù)
| 卷積層 | 卷積 | 池化 | 激活函數(shù) | 填充 |
| C1 | 卷積核數(shù)量：96 卷積核大?。?1×11 步長(zhǎng)：4 | 池化大小：3×3 步長(zhǎng)：2 |
RELU | 無(wú) |
| C2 | 卷積核數(shù)量：256 卷積核大?。?×3 |
池化大?。?×3 步長(zhǎng)：2 |
RELU | Same |
| C3 | 卷積核數(shù)量：384 卷積核大小：3×3 |
無(wú) | RELU | Same |
| C4 | 卷積核數(shù)量：384 卷積核大?。?×3 |
無(wú) | RELU | Same |
| C5 | 卷積核數(shù)量：256 卷積核大?。?×3 |
池化大?。?×3 步長(zhǎng)：2 |
RELU | Same |
4.5 優(yōu)化后的模型效果
4.5.1 CNN-P測(cè)試結(jié)果
利用構(gòu)建的豬胴體圖像數(shù)據(jù)集中的訓(xùn)練集部分對(duì)優(yōu)化后的CNN-P網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，在網(wǎng)絡(luò)模型的學(xué)習(xí)過(guò)程中，由于參照A模型應(yīng)用了ReLU作為激活函數(shù)，由權(quán)值衰減部分與交叉熵兩部分之和構(gòu)成的總?cè)笔е翟诮?jīng)過(guò)6900次左右的運(yùn)算后開(kāi)始進(jìn)入相對(duì)穩(wěn)定靜止的狀態(tài)，可判斷此時(shí)模型對(duì)特征的學(xué)習(xí)達(dá)到了擬合狀態(tài)。缺失值與迭代次數(shù)的關(guān)系如圖 4.7所示。
圖 4.7 網(wǎng)絡(luò)模型訓(xùn)練中缺失值和迭代次數(shù)的關(guān)系
利用豬胴體圖像數(shù)據(jù)集中的測(cè)試集對(duì)優(yōu)化后的網(wǎng)絡(luò)模型進(jìn)行測(cè)試，每次從測(cè)試集中隨機(jī)抽取1000張進(jìn)行測(cè)試，通過(guò)三次測(cè)試得到測(cè)試結(jié)果如表 4.6所示。
表4.6 1000張隨機(jī)測(cè)試測(cè)試結(jié)果
| 測(cè)試組數(shù) | 第一組 | 第二組 | 第三組 | 平均 |
| 準(zhǔn)確率 | 93.4% | 91.1% | 93.6% | 92.7% |
4.5.2 與其他相關(guān)豬胴體分級(jí)研究的比較
本文中研究的利用卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)豬胴體圖片進(jìn)行分級(jí)的研究目前在同領(lǐng)域其他學(xué)者中研究較少，在前人的研究中，彭彥昆（2012，2014，2015）的關(guān)于利用傳統(tǒng)圖像處理方法對(duì)豬肉及豬胴體圖片進(jìn)行處理后得到預(yù)定測(cè)量點(diǎn)處豬背膘厚度（實(shí)際生產(chǎn)中獲得指定測(cè)量點(diǎn)處豬背膘厚度即可推算胴體瘦肉率進(jìn)而進(jìn)行分級(jí)）的研究及張萌（2016）利用RBF神經(jīng)網(wǎng)絡(luò)和圖像處理技術(shù)對(duì)活體生豬圖像標(biāo)定測(cè)量點(diǎn)并根據(jù)測(cè)量到的數(shù)據(jù)預(yù)測(cè)生豬瘦肉率與本文研究范圍及目標(biāo)較為接近，選取這兩個(gè)研究與本文的CNN-P網(wǎng)絡(luò)模型性能進(jìn)行對(duì)比。
彭彥昆進(jìn)行了一系列通過(guò)圖片處理的方法從豬胴體圖像中獲取指定點(diǎn)的背膘厚度的研究，《基于近鄰法聚類和改進(jìn)Hough算法的豬胴體背膘厚度檢測(cè)》中介紹了通過(guò)人工選取拍攝位置獲得豬胴體圖像后，對(duì)圖像進(jìn)行處理進(jìn)而獲得指定位置膘厚的技術(shù)，準(zhǔn)確率達(dá)到了 92.31%，而在《基于機(jī)器視覺(jué)的豬胴體背膘厚度在線檢測(cè)技術(shù)》中通過(guò)算法改進(jìn)，檢測(cè)時(shí)間達(dá)到了0.3s，準(zhǔn)確率達(dá)到了93.5%。其峰值準(zhǔn)確率略高于本文方法實(shí)現(xiàn)的網(wǎng)絡(luò)模型的平均性能。但其研究中的圖片位置需要人工進(jìn)行精確框選，如果框選區(qū)域不夠準(zhǔn)確或圖片拍攝存在失誤則判斷準(zhǔn)確率將受到極大的影響。目前仍無(wú)法大規(guī)模應(yīng)用于實(shí)際生產(chǎn)中。
張萌的《基于機(jī)器視覺(jué)的生豬瘦肉率無(wú)損檢測(cè)技術(shù)研究》一文中，介紹了通過(guò)拍攝活體生豬圖片后，經(jīng)過(guò)圖片處理方法和拐點(diǎn)檢測(cè)算法獲得生豬圖片中的特定測(cè)量點(diǎn)，通過(guò)獲取測(cè)量點(diǎn)數(shù)據(jù)，結(jié)合前人總結(jié)的腿臀比、背膘厚、眼肌面積與瘦肉率的關(guān)系，將數(shù)據(jù)輸入RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，利用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)生豬的標(biāo)準(zhǔn)化圖像進(jìn)行瘦肉率預(yù)測(cè)，在小規(guī)模數(shù)據(jù)集內(nèi)，準(zhǔn)確率達(dá)到了94.5%。其研究與本文的研究針對(duì)對(duì)象不同，與生豬具有明顯的外形特征不同，豬胴體的整體單側(cè)圖像的特定測(cè)量點(diǎn)選擇通過(guò)圖像算法很難進(jìn)行準(zhǔn)確獲取。僅因其作為近年來(lái)發(fā)表的利用傳統(tǒng)圖像算法和淺層神經(jīng)網(wǎng)絡(luò)相結(jié)合實(shí)現(xiàn)瘦肉率預(yù)測(cè)的研究，特選擇其進(jìn)入對(duì)比組。
而在實(shí)際的生產(chǎn)加工中，目前豬肉加工企業(yè)采用的是人工目視分級(jí)的方法。令專業(yè)的工人兩名分別站立在豬肉加工生產(chǎn)線兩側(cè)，兩人交替對(duì)沿傳送鏈輸送而來(lái)的經(jīng)過(guò)一系列加工的豬胴體成品進(jìn)行檢測(cè)，在檢測(cè)過(guò)程中，由于生豬胴體生長(zhǎng)的均衡性，只對(duì)每只生豬分成的兩半胴體中的一個(gè)進(jìn)行分辨。每個(gè)豬胴體從開(kāi)始檢測(cè)到給出評(píng)判并手動(dòng)記錄的完整檢測(cè)時(shí)間約為十秒，而根據(jù)對(duì)豬肉加工企業(yè)的實(shí)際調(diào)研，工作人員對(duì)豬胴體的分級(jí)準(zhǔn)確率標(biāo)準(zhǔn)為“八九不離十”即可錄用，設(shè)其檢測(cè)的準(zhǔn)確率為八成與九成的均值85%。同時(shí)，豬胴體專業(yè)檢測(cè)員在上崗前也需要一定時(shí)間的專業(yè)培訓(xùn)，在實(shí)際上崗后的一個(gè)月內(nèi)采用的是師傅帶徒弟式的搭配工作方式，故掌握目視胴體分級(jí)方法的培訓(xùn)時(shí)間為一個(gè)月以上。
本文采用的CNN-P網(wǎng)絡(luò)模型與前人利用傳統(tǒng)圖像學(xué)及淺層學(xué)習(xí)方法實(shí)現(xiàn)的豬胴體圖像分級(jí)方法的效果以及實(shí)際生產(chǎn)中人工目視分級(jí)的方法進(jìn)行對(duì)比如表4.7所示。
表4.7 本文CNN-P與前人利用非深度學(xué)習(xí)方法的效果比較
| 彭彥昆研究 | 張萌研究 | 本文CNN-P模型 | 企業(yè)使用方法 | |
| 使用方法 | 傳統(tǒng)圖像處理（改進(jìn)的Hough）算法 | 傳統(tǒng)圖像處理淺層神經(jīng)網(wǎng)絡(luò) | 卷積神經(jīng)網(wǎng)絡(luò) | 人工目視估測(cè) |
| 針對(duì)目標(biāo) | 豬胴體圖像 | 活體生豬圖像 | 豬胴體圖像 | 豬胴體 |
| 使用者訓(xùn)練要求 | 高（需要準(zhǔn)確選擇豬胴體特定局部位置拍攝，須杜絕各類干擾因素） | 中（須將生豬趕至專用采樣臺(tái)拍攝圖像） | 低（只需會(huì)朝向豬胴體方向拍照即可） | 高（須一個(gè)月以上的培訓(xùn)期，并須老員工指導(dǎo)） |
| 檢測(cè)準(zhǔn)確率 | 峰值準(zhǔn)確率93.5% | 無(wú)分離測(cè)試集94.5% | 純測(cè)試集平均92.7% | 約85% |
| 檢測(cè)時(shí)間 | 0.3s（已處理完成的圖片輸入模型學(xué)習(xí)的時(shí)間） | 無(wú)相關(guān)描述 | 0.9s（從拍照到檢測(cè)完成，結(jié)果記錄完畢） | 10s |
| 數(shù)據(jù)預(yù)處理內(nèi)容 | 多次包括Canny檢測(cè)及Hough檢測(cè)等需要占用較長(zhǎng)時(shí)間的圖像處理 | 圖像二值化、Canny檢測(cè)、拐點(diǎn)截取等 | 圖像壓縮、圖像截取兩個(gè)占用內(nèi)存極少的圖像處理方法 | 無(wú) |
| 總結(jié) | 準(zhǔn)確率稍高但自動(dòng)化程度較低，且對(duì)操作人員的技術(shù)水平有交稿要求 | 準(zhǔn)確率高但并不是針對(duì)流水線環(huán)境，與本文針對(duì)目標(biāo)不同 | 準(zhǔn)確率與識(shí)別速度較高，更適合流水線作業(yè)要求。對(duì)操作人員技術(shù)水平要求低，是深度學(xué)習(xí)在該領(lǐng)域的初次嘗試 | 準(zhǔn)確率低、識(shí)別時(shí)間長(zhǎng)，對(duì)工作人員技術(shù)水平要求高 |
通過(guò)比較，可見(jiàn)本文的方法雖然單純?cè)跍?zhǔn)確率方面略低于彭彥昆利用傳統(tǒng)圖像處理方法手動(dòng)選擇識(shí)別區(qū)域的研究結(jié)果，但本文中的實(shí)驗(yàn)是針對(duì)未接受過(guò)訓(xùn)練的純測(cè)試集部分進(jìn)行的，同時(shí)利用多組實(shí)驗(yàn)的平均準(zhǔn)確率相比彭研究中的峰值準(zhǔn)確率差距不到1%，其研究與本研究相比并不具有實(shí)際優(yōu)勢(shì)。本文提出的CNN-P具有對(duì)豬胴體圖像識(shí)別的自動(dòng)性，無(wú)需人為添加預(yù)選框，相比其他研究的方法在使用情況中有明顯的優(yōu)勢(shì)，更適合于實(shí)際生產(chǎn)的使用，同時(shí)本次研究是將深度學(xué)習(xí)方法應(yīng)用于豬胴體圖片分級(jí)技術(shù)中的首次嘗試，隨著更加深入的研究，網(wǎng)絡(luò)模型將更穩(wěn)定、性能更佳。
4.6 本章小結(jié)
本章構(gòu)建了基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型，通過(guò)使用TensorFlow機(jī)器學(xué)習(xí)框架，對(duì)構(gòu)建的網(wǎng)絡(luò)模型進(jìn)行了一系列實(shí)驗(yàn)，對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行研究，分析了網(wǎng)絡(luò)中各參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)對(duì)豬胴體圖像分級(jí)的影響。從卷積核數(shù)量及大??；池化層數(shù)、池化方法和池化大??；卷積層及全連接層數(shù)量；激活函數(shù)及dropout使用幾方面對(duì)網(wǎng)絡(luò)模型進(jìn)行了實(shí)驗(yàn)與分析，通過(guò)實(shí)驗(yàn)結(jié)果逐步確定網(wǎng)絡(luò)模型的優(yōu)化方向，對(duì)原始的網(wǎng)絡(luò)模型進(jìn)行調(diào)參和優(yōu)化，設(shè)計(jì)完成最終的豬胴體圖像分級(jí)網(wǎng)絡(luò)模型。將豬胴體圖像數(shù)據(jù)集的訓(xùn)練集部分應(yīng)用于該模型進(jìn)行訓(xùn)練，通過(guò)測(cè)試集對(duì)訓(xùn)練所得模型進(jìn)行評(píng)估，與前人的相關(guān)研究進(jìn)行了多方面的對(duì)比。
第5章 結(jié)論
本次研究，出發(fā)點(diǎn)是利用近年來(lái)快速發(fā)展的深度學(xué)習(xí)技術(shù)解決由于進(jìn)口檢測(cè)設(shè)備價(jià)格高、市場(chǎng)要求偏低導(dǎo)致的國(guó)內(nèi)豬胴體分級(jí)情況普遍不嚴(yán)謹(jǐn)?shù)膯?wèn)題。作為國(guó)內(nèi)外利用深度學(xué)習(xí)方法從圖像方面解決在豬胴體分級(jí)（瘦肉率檢測(cè)）問(wèn)題的首次嘗試，本文再一次證明了深度學(xué)習(xí)理論在圖像分類方面強(qiáng)大的泛用性。
研究采集了豬肉加工企業(yè)生產(chǎn)線中的豬胴體圖像，對(duì)采集的圖像進(jìn)行平移、鏡像、增加噪音等操作，并通過(guò)SMOTE算法對(duì)少數(shù)樣本類進(jìn)行了擴(kuò)充，以此構(gòu)建了豬胴體圖像分級(jí)信息數(shù)據(jù)集。構(gòu)建以AlexNet網(wǎng)絡(luò)模型為藍(lán)本，構(gòu)建網(wǎng)絡(luò)模型，利用豬胴體數(shù)據(jù)集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練并對(duì)網(wǎng)絡(luò)性能進(jìn)行分析與優(yōu)化，通過(guò)對(duì)數(shù)據(jù)的分析，在模型參數(shù)選擇方面獲得了以下幾點(diǎn)結(jié)論：
（1）在網(wǎng)絡(luò)的設(shè)置方面，理想情況下網(wǎng)絡(luò)中的卷積層與池化層數(shù)量越多，圖像識(shí)別的效果越好，考慮到硬件設(shè)備的限制，本文的CNN-P采用五個(gè)卷積層，其中第一、二、五層包含池化層。
?。?）在卷積層部分，卷積核的個(gè)數(shù)與尺寸對(duì)網(wǎng)絡(luò)模型存在顯著影響，卷積核個(gè)數(shù)增大、尺寸減小可以提升網(wǎng)絡(luò)分類性能。CNN-P中第二到第四卷積層采用256-384-384的卷積核數(shù)量，在后四層卷積層中使用3×3尺寸的卷積核。第一、二、五卷積層中的池化操作中選擇池化區(qū)域?yàn)?×3的尺寸，平衡了池化操作與網(wǎng)絡(luò)整體的識(shí)別效果。同時(shí)由于受限于計(jì)算能力等方面的客觀因素，對(duì)卷積核數(shù)量尺寸及池化效果的過(guò)度要求會(huì)極大地影響網(wǎng)絡(luò)訓(xùn)練的效率與效果。
?。?）本文CNN-P網(wǎng)絡(luò)模型在網(wǎng)絡(luò)第七層也就是第二全連接層增加了dropout方法，一定程度上避免了過(guò)擬合情況的發(fā)生，提升了網(wǎng)絡(luò)效果。
針對(duì)以上幾點(diǎn)結(jié)論，設(shè)計(jì)搭建了適用于豬胴體圖像分級(jí)的卷積神經(jīng)網(wǎng)絡(luò)模型CNN-P。為驗(yàn)證其識(shí)別效果，使用豬胴體圖像數(shù)據(jù)集中的測(cè)試集進(jìn)行分級(jí)，分級(jí)效果達(dá)到92.7%。說(shuō)明模型的訓(xùn)練效果較好，對(duì)豬胴體圖像的分級(jí)問(wèn)題具有較強(qiáng)的泛化能力。
《完》
版權(quán)聲明：
1. 轉(zhuǎn)載本網(wǎng)內(nèi)容，請(qǐng)注明來(lái)源“中國(guó)肉類機(jī)械網(wǎng)”，或與本網(wǎng)聯(lián)系，違者將追究法律責(zé)任。
2.本網(wǎng)轉(zhuǎn)載刊登的文章以信息傳播為目的，僅代表作者個(gè)人觀點(diǎn)，版權(quán)由原作者或供稿方所擁有，并不構(gòu)成投資建議，據(jù)此操作，風(fēng)險(xiǎn)自擔(dān)。
3. 如果轉(zhuǎn)載文章涉及您的合法權(quán)益和版權(quán)問(wèn)題，或者轉(zhuǎn)載出處出現(xiàn)錯(cuò)誤，請(qǐng)及時(shí)與本網(wǎng)聯(lián)系進(jìn)行刪除。
4. 友情提醒：網(wǎng)上交易有風(fēng)險(xiǎn),請(qǐng)買(mǎi)賣(mài)雙方謹(jǐn)慎交易,謹(jǐn)防上當(dāng)受騙！
5. 投稿與合作熱線：010-88133989， E-mail：mpmpc@126.com
