深度迁移学习在古筝品质分级中的应用

摘要：

深度学习和迁移学习的兴起为树种识别提供了新方向,然而其在同树种内不同品质间木材识别仍存在挑战.为改善古筝面板品质分级现状,设计了一种深度残差网络模型.首先将数据集进行划分并采用数据增强技术来扩充训练样本,然后将ImageNet上经过预训练的模型迁移到该问题上.为高效提取到板材图像特征,在预训练模型后新增深层特征提取部分,其融合了残差连接和深度可分离卷积,不仅可增强特征重利用率和缓解梯度消失,而且有利于提取到图像深层特征.最后为提升模型在训练过程中的鲁棒性,使用LeakyReLU函数代替ReLU函数避免神经元死亡问题.该方法在泡桐导管图像数据集上测试精度达到了92.8％,对比其他主流方法,该模型可节省古筝品质分级时间,提高识别精度.

关键词：古筝面板、泡桐导管图像识别、残差连接、深度可分离卷积

所属期刊栏目：57

分类号：TP391.4(计算技术、计算机技术)

资助基金：黑龙江省自然科学基金;国家自然科学基金

在线出版日期：2021-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：218-224