改进Faster RCNN模型在棉花异性纤维识别中的应用

摘要：

采用深度学习方法对棉花中的异性纤维进行分类识别.首先建立异性纤维数据集,针对异性纤维尺寸和形状多样性的特点,采用基于Faster RCNN的目标识别框架,以RseNet-50代替原始的VGG16作为异性纤维分类模型的特征提取网络,并采用k-means++聚类算法对候选框生成尺寸进行改进;然后对模型进行训练,实现棉花中异性纤维的分类和定位.训练后的模型在验证集上的准确率达到94.24％,精度为98.16％,召回率为95.93％,精确率和召回率的调和平均数(F1分数)为0.970.对比改进前、后模型对异性纤维的识别效果,改进后的模型在小尺寸、大长宽比和密集出现的情况具有更好的识别效果,相对于原始模型,其准确率、精度、召回率和F1分数分别提高了3.21％、0.90％、2.5i％和0.017.

关键词：图像处理、异性纤维、深度学习、目标识别、Faster RCNN、k-means++

所属期刊栏目：57

分类号：TP391.4;TS117(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;天津市自然科学基金

在线出版日期：2020-07-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：124-133