中国农业科学院农业信息研究所 中国农学会
Agricultural Information Institute of CAAS China Association of Agricultural Science Societies
En
Ch
中国农业科学院农业信息研究所 中国农学会 主办

AI检索

订阅

返回顶部
当前位置: 首页 > 文章 > 基于低场核磁成像的银杏胚检测及分类 农业工程学报 2022 (6) 293-301
Position: Home > Articles > 基于低场核磁成像的银杏胚检测及分类 Transactions of the Chinese Society of Agricultural Engineering 2022 (6) 293-301

基于低场核磁成像的银杏胚检测及分类

作  者：
范凯旋;顾盛;汪希伟;赵茂程;汪贵斌;李忠
单  位：
南京林业大学机电产品包装生物质材料国家地方联合工程研究中心;南京林业大学机械电子工程学院;南京林业大学
关键词：
无损检测;图像处理;银杏种子;低场核磁共振成像（LF-MRI）;迁移学习;VGG-16;内部品质;分类;
摘  要：
银杏胚的有无及发育状况直接影响播种后的发芽率，而这些无法人工检测。该研究基于低场核磁共振成像（Low-field Magnetic Resonance Imaging,LF-MRI）技术，结合深度学习，探索研究银杏种子内部缺陷检测方法。设计了一种基于改进的VGG-16迁移学习图像分类方法，在利用VGG-16卷积层对数据集进行迁移学习时，对模型的学习率、模型结构和归一化3个方面进行改进，比较研究调整初始学习率与更新周期、将全连接层替换为全局卷积层或全局平均池化层并扩展8种微调模型、添加3种归一化层对模型性能的影响。结果表明，全局平均池化层调用方便，能够替代全连接层融合深度特征，提升模型性能；分类输出层置于全局平均池化层后的分类效果较好；组归一化能提升模型性能，并使验证曲线收敛更稳定；学习率对迁移学习模型性能影响极大，使用分段常数衰减策略针对具体应用可有效提高模型性能。相比较VGG-16，该研究构建的基于VGG-Net的银杏种子MR图像识别模型（Ginkgoseedlow-fieldMRimages recognition model based on VGG-Net, GV）大小降低89%，参数量降低89%，训练时间减少64%，训练集与验证集损失分别降低64%与45%、准确率分别提高2.4与2.5个百分点，对正常、孔洞、有胚和无胚4个类别的银杏种子平均分类准确率达到97.40%。研究结果为无损监测银杏种子萌发过程、合理预测种子播种后的发芽率提供了思路。

相似文章

导出引用
计量
文章访问数: 13
HTML全文浏览量: 0
PDF下载量: 0

所属期刊

推荐期刊

友情链接Friendly link
农业信息研究所Agricultural information institute 农业智能知识服务平台Agricultural intelligent knowledge service platform 农业学术服务平台Agricultural Knowledge Service System 中国知网CNKI 维普网VIP 万方WANFANG DATA
联系我们Contact us

电话Tell：010-82109652-808

邮箱E-mail：agrijournal@caas.cn

服务Service
关于我们About us 意见建议Opinions and suggest
版权说明Copyright
单位：中国农业科学院农业信息研究所 中国农学会 © 2017中国农业科学院农业信息研究所 ICP备案号：京ICP备09089781号-46