文献类型：期刊文章

作　　者：袁明新[1,2] 于洪涛[1,3] 江亚峰[1,2] 王琪[1] 申燚[1]

Yuan Mingxin;Yu Hongtao;Jiang Yafeng;Wang Qi;Shen Yi(School of Mechanics and Power Engineering,Jiangsu University of Science and Technology,Zhangjiagang,215600,China;Zhangjiagang Industrial Technology Research Institute,Jiangsu University of Science and Technology,Zhangjiagang,215600,China;School of Computer Science and Technology,Tianjin University,Tianjin,300000,China)

机构地区：[1]江苏科技大学机电与动力工程学院,江苏张家港215600 [2]张家港江苏科技大学产业技术研究院,江苏张家港215600 [3]天津大学计算机科学与技术学院,天津市300000

出　　处：《中国农机化学报》

基　　金：国家重点研发计划“智能农机装备”重点专项(2016YFD0700903)

年　　份：2019

卷　　号：40

期　　号：11

起止页码：131-135

语　　种：中文

收录情况：BDHX、BDHX2017、RCCSE、核心刊

摘　　要：针对目前用于苹果成熟度识别的卷积神经网络存在训练时间长,训练样本多的不足,提出了联合迁移学习和自适应学习率的识别方法。首先,选用结构较小的VGG-F模型作为预训练模型;然后在VGG-F模型的训练过程中融入局部响应归一化的数据预处理、以函数损失为依据的学习率自适应调整和优选动量值的三种训练策略;最后将已构建的图像样本用于调整后的模型进行重训练和测试。实验结果表明,相比于基本VGG-F模型、具有深层结构的VGG-16和VGG-19模型,文中提出的模型将平均识别准确率分别提高7.5%、6.33%和4.5%,且重训练时间远少于其他三种模型,从而验证了文中方法在解决苹果成熟度识别问题时具有训练成本低和识别准确率高的优势。

关 键 词：苹果成熟度  VGG-F模型  迁移学习  动态学习率 局部响应归一化  

分 类 号：TP391.41]