小 机器人杂志 1687 - 9619 1687 - 9600 Hindawi 10.1155 / 2021/8828340 8828340 研究文章 根据CNN甜瓜成熟阶段分类模型 https://orcid.org/0000 - 0001 - 9310 - 325 x 赵 华敏 https://orcid.org/0000 - 0003 - 3895 - 7628 徐 削弱 https://orcid.org/0000 - 0003 - 0011 - 6313 Lawal Olarewaju https://orcid.org/0000 - 0002 - 2509 - 7975 张 Shujuan 王 桃之夭 农业工程学院 山西农业大学 正在建设县 晋中城 山西省030801年 中国 sxau.edu.cn 2021年 17 8 2021年 2021年 22 8 2020年 26 1 2021年 7 8 2021年 17 8 2021年 2021年 版权©2021华敏赵等。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

如何快速、准确地判断甜瓜的成熟消费者和甜瓜排序员工是很重要的。本文提出一种新颖的方法来解决在温室甜瓜成熟阶段分类的困难和其他复杂的环境。甜瓜的颜色特征作为成熟的主要特征的歧视。修改29-layer ResNet应用提出了双向数据扩增方法的成熟阶段甜瓜分类使用室内和室外数据集来创建一个健壮的分类模型,该模型可以更好地推广。结果表明,代码数据增加第一种方式引起性能下降超过输入图像augmentation-the第二种方式。这个代码的有效性建立数据增加相比,图像增强。然而,双向数据对应包括户外和室内的组合数据集来创建一个分类模型揭示了一个很好的表现 F1得分∼99%,因此该模型适用于计算机平台快速甜瓜成熟阶段的分类。

 山西大学科技创新项目,中国 2019年l0402 山西农业大学 2018年yj43 山西省优秀的医生 SXYBKY2018030 1。介绍

甜瓜果实提供必需营养素和几对人健康的好处。它成熟更快在潮湿和温暖的天气比在凉爽的条件。甜瓜果实的颜色由绿色变为黄色在成熟阶段,使视力受损的人很难,超市或杂货店工人,农场工人,孩子等等分类他们的成熟阶段。一般来说,各种各样,不规则的形状,颜色和纹理特征一直是一个相对复杂的问题与水果相关的分类( 1]。例如,水果的目视检查需要训练有素的雇主熟悉水果的独特特征的分类( 2),这是劳动密集型和相对昂贵。因此,一个分类模型,该模型适用于手机和自动分拣系统需要取代传统的分类方法。这将促进自检,快速检查,包装,和甜瓜的交通系统。

深度学习与卷积神经网络(cnn)是一种工具广泛用于图像分析和图像分类,无论他们允许识别和检测对象定位在一个图像。此外,它可以自动提取复杂的特性和直接从输入图像( 3]。Anatya et al。 4CNN)用于研究苹果的成熟度分类模型,芒果,和其他五个水果。分类结果的准确性50图像的检索精度值的88.93%。Saranya et al。 5]研究了香蕉成熟的分类方法基于CNN。CNN模型训练整体验证的准确性为96.14%。你等。 6]研究番茄检测和基于Fast-RCNN成熟度分类模型和RGB-D图像,检测精度达到92.71%和91.52%成熟度分类精度。刘等人。 7还研究了番茄的成熟度分类模型。越剧et al。 8)研究了基于yolov2检测不成熟的芒果。此外,Parvathi和泰米尔Selvi [ 9]。研究了椰子的成熟度分类模型,黄花梨( 10],新鲜的茶拍摄[ 11),和其他农业产品通过使用深度学习的方法,取得了良好的精度。上述研究结果表明,深度学习在水果成熟度分类性能优良。CNN架构由卷积层、汇聚层,ReLU层,层完全连接层和损失。CNN的核心区块是卷积层,由过滤器(或内核)检测不同类型的功能从输入图像,后来通过前进。池层是放在中间连续卷积层减少参数的数量和计算网络中,而ReLU层的激活函数集负值为零。完全连接层(平)形式最后几层网络中通过卷积或汇聚层的输出结果达到一个分类的决定。最后,损失层应用于显示预测之间的偏差(输出)和真正的标签。CNN的影像分类方法如AlexNet [ 12],VGGNet [ 13],ResNet [ 14)等主要用于提取功能,从而实现精度有时超过人类层面的表现。这些图像分类器分类图像中单个对象,输出一个类别每图像匹配的概率,给一个类( 15]。最近,钟和大 16]报道95%的准确率在水果360数据集产生基于EfficientNet [ 17pretrained CNN)。Duong et al。 18还利用EfficientNet和建立基于水果的水果识别系统运行360。在相同的数据集,伤和Oltean 19)实现了99.31%的平均性能精度对训练集和测试组十个不同的CNN配置93.59%的准确率。然而,深度学习探索性研究甜瓜成熟阶段很少。

他等。 14开发了先进的ResNet,介绍跳过连接或快捷键连接,如图 1为更深层次的CNN解决从饱和精度下降。1×1卷积层添加到网络的开始和结束。,连接(参数)可以减少的数量,而网络的性能不退化。ResNet由卷积和身份块和也使用批处理规范化( 20.]。ResNet也是一个优秀的图像分类网络,语义分割和对象检测与VGGNet相比,GoogLeNet [ 21)等不同的ResNets包括ResNet34, ResNet50由2600万参数,ResNet101 4400万101层的参数,和ResNet152 152层。与此同时,ResNet50和ResNet101是广泛应用于目标检测模型。王等人。 22)使用ResNet和ResNeXt检测蓝莓的内部机械损伤用高光谱透射率的数据类型和实现 F1分数,平均精度为89.52% / 87.84% / 89.05%和88.44%,分别为ResNet / ResNeXt。Mahajan和Chaudhary 23]探索ResNet图像分类分类和18-layer CNN报道93.57%的准确率比34-layer和50-layer CNN在91.58%和92.67%,分别。然而,很少研究提供双向数据增加甜瓜的分类基于ResNet阶段。第一种方法是一个CNN代码扩充,而第二种方法是输入图像增强。

快捷ResNet连接结构。

在深度学习,需要一个有效的数据扩增方法更多的学习数据为了获得一个更好的,好地实现模型。这个数据扩增方法是基于可能的相机捕捉到的图像的方法。尽管数据扩增方法可能造成精度下降,他们构成了一个数量的增加和减少过度拟合训练数据。Mikołajczyk和Grochowski 24)提出了改进数据增加深度学习在图像分类问题,验证三个医学案例研究,虽然土屋et al。( 25道路伤害的分类实验结果测试和检测表明,数据扩增方法可以有效地提高精度和有效。然而,研究涉及CNN-ResNet应用双向数据增加甜瓜分类是有限的。因此,探索深度学习在甜瓜成熟阶段的分类是甜瓜自动分拣系统具有重要意义。

本文的主要目的是创建一个健壮的分类模型,可以更好的推广室内和室外甜瓜成熟的阶段,可以适用于移动电话、自动分拣系统,等等。提出了双向数据扩增方法对甜瓜的成熟阶段分类使用室内和室外数据集分类模型。甜瓜的颜色被用作特色的成熟阶段。独立数据扩增方法应用到每个类的数据集包括CNN代码扩充为了展示分类有效性通过修改ResNet29架构的应用程序。获得的实验结果显示一些有趣的现象对甜瓜成熟阶段分类。

 2。材料和方法 2.1。数据集的准备

甜瓜的图像识别成熟阶段和使用了数码相机的分辨率3968×2976从Wanghaizhuang村庄,Houcheng乡、山西省,中国正在建设县。“xingtian-24”“甜瓜的样本在不同成熟阶段的同一品种温室没有缺陷。甜瓜果实的成熟阶段,由绿色变为黄色被归类为0:绿色,1:白色,和2:黄色。从温室称为户外收集的图像数据集大小416×416像素,训练集划分为75%,20%有效的设置,根据每个类和5%的测试集。完成户外图像捕获后,甜瓜果实收获和发送到实验室室内图像捕获。的Shengyue SY8031自动对焦摄像头和5500 k LED灯是用于室内图像采集,如图 2。为了防止颜色偏差时采取图片,相机的白平衡调整LED灯。与此同时,一块黑布表面的扩散是一个可调升降台的照相馆,然后甜瓜被放在桌上,在正面和背面图片被抓获。捕获的原因室内图像是一个真正的图像与背景分离的甜瓜为适当的分类。户外数据集一样,室内训练集数据集也分为75%,20%的有效设置,和5%的测试集,表 1提供户外和室内数据集的细节,和相应的样本图像如图 3。完成的表格 1数据集,为户外训练集数据集添加到室内数据集在相应的类中。同样的过程也适用于有效集和测试集。这是提高模型对室内和室外使用。

甜瓜图像采集设置室内数据集。1:电脑;2:三脚架;3:相机;4:摄影工作室;5:LED灯条;6:升降平台。

数据集的细节没有对应的数据。

数据集 类 训练集 有效集 测试集 总
户外 绿色 310年 70年 20. 400年
白色的 658年 173年 44 875年
黄色的 907年 257年 61年 1225年
室内 绿色 216年 69年 15 300年
白色的 841年 233年 56 1130年
黄色的 1261年 316年 83年 1660年
室内 绿色 507年 158年 35 700年
白色的 1491年 414年 One hundred. 2005年
黄色的 2195年 546年 144年 2885年

示例图像在户外和室内数据集。(一)绿色。(b)白色。(c)黄色。

本研究应用双向数据扩增方法来提高分类模型的通用性,以便了解更多强大的功能。第一种方法使用CNN代码增加显示在表中 2从Keras-ImageDataGenerator 26]。与此同时,第二种方法增强随机输入的图像数据集通过十三个图像增强方法( 27的三层所表 3并显示在图 4。图像增强方法增加75%的训练集户外和室内数据集。选择图像增强方法基于相机的图片可能的方法和各种环境条件分类模型可以操作。主要的想法是创建一个健壮的分类模型,可以更好的推广,可以适用于计算机平台。所有图像对应的数据集提出了表 4包括增强室内和室外合并后的数据集的数据集。室内和露天数据集进行了以同样的方式如表所示 1。最后,室内数据集(表 1在A-out-indoor)添加到相应的数据集(表 4)来创建所有数据集表所示 5。

代码扩充方法的细节。

不。 方法的细节1
1 旋转范围20
2 变焦范围0.15
3 宽度变化范围0.2
4 0.2高度的转变
5 剪切范围0.15
6 水平翻转
7 垂直翻转

1来源:ImageDataGenerator [ 26]。

图像增强方法的细节。

不。 方法的细节1
1 imgcorruptlike。飞溅(严重性= 3)
2 imgcorruptlike。GaussianNoise(严重性= 2)
3 imgcorruptlike。高斯模糊(严重性= 2)
4 imgcorruptlike。motionBlur(严重性= 3)
5 imgcorruptlike。对比(严重性= 2)
6 imgcorruptlike。亮度(严重性= 2)
7 imgcorruptlike。饱和(严重性= 2)
8 HorizontalFlip (0.5)
9 仿射(旋转=(−45岁,45))
10 ShearY((20)−30日)
11 雨(速度= (0.1,0.3))
12 云()
13 雨(drop_size = (0.15, 0.20))

1来源:imgaug [ 27]。

样本的图像增强户外和室内数据集。(一)原始。(b)飞溅。(c)噪音。(d)模糊。(e)运动。(f)的对比。(g)亮度。(h)饱和。(我)翻转。 (j) Affine. (k) Shear. (l) Rain. (m) Clouds. (n) Rain drops.

数据对应的数据集的细节。

数据集 类 训练集 有效集 测试集 总
露天 绿色 1560年 416年 104年 2080年
白色的 3375年 947年 228年 4550年
黄色的 4814年 1237年 319年 6370年
室内 绿色 1182年 300年 78年 1560年
白色的 4418年 1164年 294年 5876年
黄色的 6450年 1750年 432年 8632年
A-Out-Indoor 绿色 2765年 693年 182年 3640年
白色的 7790年 2115年 521年 10426年
黄色的 11246年 3006年 750年 15002年

所有数据集与数据对应。

数据集 类 训练集 有效集 测试集 总
所有 绿色 3248年 875年 217年 4340年
白色的 9326年 2484年 621年 12431年
黄色的 13422年 3571年 894年 17887年
2.2。ResNet架构

的想法ResNet采用基于其跳过层之间的连接,将输出从先前层添加到输出的堆叠层。根据( 13),更深层次的培训网络构成分类性能的增加。29-layer ResNet使用本文解决退化问题的网络,加快训练速度,促进网络收敛越快。图 5详细展示了修改后的29-layer ResNet。ResNet 29-layer选择基于输入图像分辨率128×128像素流入网络损失及其收敛性和精度达到优异成绩( 28]。值得注意的是,最后完全连接层扮演了一个角色作为分类器,计算并输出甜瓜的分数。

修改29-layer ResNet。

 2.3。模型训练和评估

分类模型的训练和测试是在Windows上10以下规范:英特尔®™核心i7 - 8700 @ 64位3.20 GHz CPU, 16 GB的RAM, NVIDIA方形住宅区M4000 GPU, CUDA v10.2, cuDNN v7.6.5。ResNet收到一个输入图像大小为128×128×3。随机梯度下降法(西班牙)优化器采用在这项研究中,因为它需要更少的内存和计算一次只有一个点。西班牙的学习速率优化器被设置为1×10的一个常数−2,0.9和势头直言叉作为一个成本函数。此外,表中提到的代码扩充方法 2模型中包括网络。模型训练50时代根据构造数据集和结构如图 6。图 6显示了14个数据集训练。与代码意味着网络用于训练数据集包含表 2信息,而数据集,其中包含一个前缀(−)意味着与图像增强(表 3)。分类器的性能是评价使用方程( 1)。精度是正确的数量的比率预测甜瓜的总数预测甜瓜,召回的数量的比例是正确预测甜瓜在数据集,甜瓜的总数 F1分数之间的权衡是回忆和精确显示训练模型的综合性能。 (1) 精度= TP TP + 《外交政策》 , 回忆 = TP TP + FN , 精度 = TP + TN TP + TN + 《外交政策》 + FN , F 1 分数 = 2 × 精度 × 回忆 精度 + 回忆 , TP是真阳性,FP是假阳性,TN是真阴性,FN假阴性。

模型训练结构。

 3所示。结果与讨论 3.1。评价指标

有效集的获得损失率曲线类似于训练集,错误在50岁时期较低,表明户外和室内甜瓜的高稳定性。户外的图 7(一)和室内图 7 (c),没有代码,显示了性能优良的有效准确性与最低有效损失近100%。混淆矩阵的分类结果还显示一个优秀的性能预测100%的数字 7(一)和 7 (c)0是绿色,1是白色,2是黄色的。然而,图的性能 7 (c)比这更稳定的图 7(一)由于他们的形象特征的背景不同。代码扩充到网络的结合构成了低稳定性数据中找到 7 (b)和 7 (d)错过了预测相应的混淆矩阵所示。尽管如此,图 7 (d)比图更稳定吗 7 (b)。这是由于不同的背景图像。获得的结果图 8趋势同样如图 7,除了图 8包含图像增强。错过了预测的数量在室内比室外的混淆矩阵图 8 (c)>图 8(一个)因为没有代码扩充和图 8 (d)>图 8 (b)因为代码扩充。这是一个迹象表明户外图像调整到外部特性或背景图像相比,室内图像。换句话说,双向对应的室外比室内进行。

没有形象的论证结果(一)户外没有代码,(b)户外使用代码,(c)室内没有代码,和(d)室内与代码。

图像的论证结果(一)户外没有代码,(b)户外使用代码,(c)室内没有代码,和(d)室内代码。

同样,室外和室内数据集的结果没有图像增强显示,它可以更好地执行的混淆矩阵结合室外和室内数据与图像增强。除了图 9(一个)没有代码和图像增强显示100%预测,错过了预测图的数量 9 (b)<图 9 (c)<图 9 (d)。这进一步证实了双向对应构成性能下降。参照混淆矩阵获得的结果,代码增加引起的性能下降超过了图像增强。图 10对所有数据证明代码扩充的效果相结合,在错过了预测图中观察到的数量 10 (b)更比图 10 ()。此外,增加的代码负责图像增强相比更不稳定。然而,所有的数据集的结果可以很好地概括甜瓜成熟阶段的分类。

结合室外和室内的结果(a)室内没有代码,(b)室内与代码,(c)室内图像增强没有代码,和(d)室内图像增强与代码。

所有组合的结果(一)图像对应没有代码和(b)图像对应的代码。

的平均性能结果精度、召回和 F1得分表所示 6。的 F1分室内和室内数据集有或没有发现代码增加100%比其他数据集。这解释说,提取的图像特征没有背景中发现室内,在室外和室内组合称赞每个室内数据集的结果。没有代码扩充 F1分数的数据是100%,而代码扩充 F1分不同的数据集的数据集。最少的 F1分数为95%,注意到在室内增加代码,类似于图 8 (d)结果。就像图 10,所有的数据集显示一个优秀的平均表现。

平均绩效评估结果。

数据集 类 精度(%) 回忆(%) F1分数(%)
户外 代码 99年 99年 99年
没有代码 One hundred. One hundred. One hundred.
室内 代码 One hundred. One hundred. One hundred.
没有代码 One hundred. One hundred. One hundred.
室内 代码 One hundred. One hundred. One hundred.
没有代码 One hundred. One hundred. One hundred.
露天 代码 98年 98年 98年
没有代码 One hundred. One hundred. One hundred.
室内 代码 95年 95年 95年
没有代码 One hundred. One hundred. One hundred.
A-Out-Indoor 代码 98年 98年 98年
没有代码 One hundred. One hundred. One hundred.
所有 代码 99年 99年 99年
没有代码 One hundred. One hundred. One hundred.
3.2。计算机应用程序

创建的模型从所有的数据集都进行了相应的测试集测试可视化的目的。图 11显示了模型的可视化结果从所有数据集创建代码扩充。这个数字证明具有良好的预测性能。与此同时,创建了模型转换成模型。tflite model_unquant。tflite使用TensorFlow和Keras为移动应用程序包。图 12从所有的数据集创建转换模型的结果与代码扩充。图 12(一个)显示绿色的甜瓜,图 12 (b)显示白色的甜瓜,图 12 (c)显示黄色的甜瓜,和图 12 (d)显示测试的分类的推理时间转换模型。这是一个迹象表明,我们的模型是适用于任何计算机应用程序。除了移动应用,计算机基础也可以应用程序交互与电气、机械系统等等,以执行其他任务自动分拣系统等。

测试模型的可视化结果从所有数据集创建代码扩充。

甜瓜成熟阶段分类基于转换模型通过移动应用程序。(一)绿色类。白色(b)类。(c)黄色类。(d)推理时间。

 3.3。与其他模型相比

表 7显示了测试的结果模型创建的表中所有数据集 6。比较结果表明我们ResNet29模型比其他模型。的 F1得分ResNeXt50、Densenet121 InceptionV4类似ResNet29为99%,但与一个更大的模型的大小。如果模型规模大,它将消耗更多的计算资源,缓慢的速度模型。同时,MobileNet-v2模型的大小小于ResNet29模型,但其测试结果是我们ResNet29不如。因此,我们修改ResNet29模型具有更多的优势比其他模型甜瓜成熟阶段分类。

比较不同模型的分类结果。

模型 重量大小(MB) 精度(%) 回忆(%) F1分数(%)
ResNet29 3.5 99年 99年 99年
VGGNet16 56.3 98年 98年 98年
ResNet18 45.2 95年 95年 95年
ResNet50 90.2 98年 98年 98年
MobileNet-v2 2。1 97年 97年 97年
ResNeXt50 90年 99年 99年 99年
DenseNet121 28.5 99年 99年 99年
InceptionV4 161年 99年 99年 99年
4所示。结论

甜瓜成熟阶段的颜色变异使视力受损的人更难,超市或杂货店工人,甚至是农场工人进行分类。提出了双向数据扩增方法对甜瓜的成熟阶段分类使用室内和室外数据集来创建一个健壮的分类模型,可以更好的推广。采用改良ResNet 29层创建分类模型。结果表明,代码增加(第一)引起的性能下降超过图像增强(第二种方式)。这是说代码增加是在构建一个健壮的模型更可靠的比图像增强呼吁未来分类方法的调查。然而,双向数据对应包括户外和室内的组合数据集显示一个优秀的性能 F1分数∼99%,适用于计算机平台快速甜瓜成熟阶段分类,比如移动电话应用程序等等。

此外,尽管本文提出的模型可以实现更好的分类效果的甜瓜成熟,它需要配合使用的对象检测算法更好的自动排序/选择设备。摘要甜瓜目标检测算法没有提及,在未来需要研究。

 数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项研究是由山西大学科技创新项目,中国(项目没有。2019 l0402),山西农业大学博士研究项目(项目号2018 yj43),优秀的医生山西省晋工作奖励基金研究项目(项目号SXYBKY2018030)。

 Garcia-Lamont F。 塞万提斯 J。 鲁伊斯 年代。 Lopez-Chau 一个。 机应用水果识别颜色特征比较 智能计算理论和方法 2015年 92年 258年 270年 10.1007 / 978 - 3 - 319 - 22180 - 9 - _26 2 - s2.0 - 84943635596 Olaniyi e . O。 Oyedotun 好受些。 Khashman 一个。 使用神经网络智能评分系统对香蕉果实仲裁 食物的过程工程》杂志上 2017年 40 1 9 10.1111 / jfpe.12335 2 - s2.0 - 84958078142 柯伊拉腊 一个。 沃尔什 k B。 王 Z。 麦卡锡 C。 深度学习——方法概述和审查使用水果检测和产量估算 计算机和电子产品在农业 2019年 162年 219年 234年 10.1016 / j.compag.2019.04.017 2 - s2.0 - 85064313579 Anatya 年代。 Mawardi v . C。 Hendryli J。 水果成熟度分类使用卷积神经网络方法 IOP会议系列:材料科学 2020年 1007年 1 012149年 Saranya N。 Srinivasan K。 库马尔 年代。 香蕉成熟阶段标识:深度学习的方法 环境智能人性化计算杂志》上 2021年 1 10.1007 / s12652 - 021 - 03267 - w 你 年代。 雪 Y。 气 Y。 王ydF4y2Ba H。 毛 l 检测的激情水果和成熟度分类使用红绿蓝深度图像 生物系统工程 2018年 175年 156年 167年 10.1016 / j.biosystemseng.2018.09.004 2 - s2.0 - 85054193292 刘 J。 π J。 夏 l R。 小说和高精度番茄成熟度识别算法基于多层次深残余网络 多媒体工具和应用程序 2020年 79年 13 - 14日 9403年 9417年 10.1007 / s11042 - 019 - 7648 - 7 2 - s2.0 - 85066143418 越剧 X。 宁 H。 Shuqin T。 不成熟的芒果检测基于改进YOLOv2 中国农业工程学会的事务 2018年 34 07年 173年 179年 Parvathi 年代。 泰米尔Selvi 年代。 检测的成熟阶段的椰子在复杂背景使用更快的R-CNN模型 生物系统工程 2021年 202年 6 119年 132年 10.1016 / j.biosystemseng.2020.12.002 刘 h·J。 魏 c . Y。 汉 W。 黄花梨的收获时间的确定基于可见近红外光谱学卷积神经网络 光谱和光谱分析 2020年 40 9 2932年 2936年 陈 B。 严 J。 新鲜茶拍摄成熟度评估通过多光谱成像和深标签分配学习 IEICE——交易信息和系统 2020年 103年 9 2019年 2022年 10.1587 / transinf.2020edl8038 Krizhevsky 一个。 Sutskever 我。 辛顿 G。 ImageNet与深卷积神经网络分类 先进的神经信息处理系统 2012年 25 2 Simonyan K。 Zisserman 一个。 一个很深的卷积网络大规模图像识别 2014年 https://arxiv.org/abs/1409.1556 他 K。 张 X。 任 年代。 深层残留图像识别的学习 学报2016年IEEE计算机视觉与模式识别会议(CVPR) 2016年6月 美国内华达州拉斯维加斯 Amjoud 答:B。 Amrouch M。 对象检测卷积神经网络骨干,施普林格、图像和信号处理。ICISP 2020 在计算机科学的课堂讲稿 2020年 2020年 22 4152816 10.34133 / 2020/4152816 见鬼 t . p . C。 大 d . V。 水果识别系统基于现代深度学习技术 物理学杂志》的会议 2019年 1327年 012050年 棕褐色 M。 勒 问:V。 EfficientNet:反思模型扩展为卷积神经网络 2019年 https://arxiv.org/abs/1905.11946 Duong l . T。 阮 p . T。 Di Sipio C。 自动水果识别使用EfficientNet和运行 计算机和电子产品在农业 2020年 171年 10 10.1016 / j.compag.2020.105326 Murean H。 Oltean M。 水果从图像识别使用深度学习 《数学Sapientiae Informatica 2017年 10 1 26 42 约飞 年代。 Szegedy C。 批规范化:加速深层网络培训通过减少内部协变量的转变 2015年 https://arxiv.org/abs/1502.03167 Szegedy C。 Vanhoucke V。 约飞 年代。 重新考虑初始架构计算机视觉 2015年 https://arxiv.org/abs/1512.00567 王 Z。 胡 M。 翟 G。 深度学习的应用体系结构的准确、快速检测蓝莓利用高光谱透射率数据的内部机械损伤 传感器 2018年 18 4 14 10.3390 / s18041126 2 - s2.0 - 85045117620 Mahajan 一个。 乔杜里 年代。 分类的影像分类基于表征深层网络(RESNET) 学报2019年第三国际会议上电子、通讯和航空航天技术(ICECA) 2019年6月 印度哥印拜陀 Mikolajczyk 一个。 Grochowski M。 数据增强改善深度学习在图像分类问题 国际跨学科博士研讨会 2018年 99年 117年 122年 10.1109 / iiphdw.2018.8388338 2 - s2.0 - 85050025181 土屋 H。 福井 年代。 Iwahori Y。 哈亚希 Y。 Achariyaviriya W。 Kijsirikul B。 分类方法的数据增强道路伤害考虑对分类精度的影响 Procedia计算机科学 2019年 159年 1449年 1458年 10.1016 / j.procs.2019.09.315 2020年 Keras-cn可用: https://keras-cn.readthedocs.io/en/latest/preprocessing/image/ 荣格 答:B。 2020年 Imgaug可用: https://github.com/aleju/imgaug 唉 H。 唉 N。 整流器非线性神经网络提高声学模型 机器学习程序的国际会议 2013年5月 亚特兰大,乔治亚州,美国