曹婷翠，何小海，董德良，石恒，熊淑華

（1.四川大學(xué)電子信息學(xué)院，成都 610065；2.中儲(chǔ)糧成都糧食儲(chǔ)藏科學(xué)研究所，成都 610091）

0 引言

我國是世界上小麥產(chǎn)量大國和消費(fèi)大國，小麥的質(zhì)檢分級(jí)，對(duì)糧食儲(chǔ)備、糧食安全、糧食流通具有重要作用。小麥不完善粒的數(shù)量是衡量小麥品級(jí)的關(guān)鍵指標(biāo)，目前在不完善粒的檢測識(shí)別中采用的是人工感官檢測的方法，該方法具有費(fèi)時(shí)費(fèi)力、可重復(fù)性差、主觀性強(qiáng)和不同質(zhì)檢員檢測結(jié)果不一等缺點(diǎn)，已不能滿足大規(guī)模麥粒快速準(zhǔn)確檢測的需求，實(shí)現(xiàn)麥粒的智能化識(shí)別成為必然。隨著科技的發(fā)展，利用圖像處理技術(shù)來實(shí)現(xiàn)麥?？焖贉?zhǔn)確識(shí)別的方法受到了普遍關(guān)注，現(xiàn)在已有許多研究成果[1-5]，這些研究大多采用了特征提取算法，但人為提取的特征需要通過實(shí)驗(yàn)不斷地進(jìn)行擇優(yōu)，過程比較繁雜，而且麥粒品種混合、不完善粒間存在交錯(cuò)現(xiàn)象（如某單顆破碎麥粒在某個(gè)部位有病斑）、圖像采集時(shí)難以避免的移位和光照不均等因素導(dǎo)致在實(shí)際應(yīng)用中難以找到準(zhǔn)確、穩(wěn)定的特征，這種方法已經(jīng)不能滿足需求。

近幾年來，深度學(xué)習(xí)已成為人工智能研究的熱點(diǎn)方向，作為深度學(xué)習(xí)中的一項(xiàng)關(guān)鍵技術(shù)，CNN深度模型已成功應(yīng)用于人臉識(shí)別，手寫漢字識(shí)別、車型識(shí)別等領(lǐng)域，并取得了優(yōu)秀的成績。在2013年的ICDAR手寫漢識(shí)別競賽中[6]，英國華威大學(xué)的Graham采用深度稀疏卷積神經(jīng)網(wǎng)絡(luò)的方法[7]，獲得了聯(lián)機(jī)手寫漢字識(shí)別的第一名，Ijjina等[8]將遺傳算法和深度卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于人體行為識(shí)別，并且取得了很好的效果，Yu等[9]提出了一種級(jí)聯(lián)的CNN網(wǎng)絡(luò)結(jié)構(gòu)用于人臉識(shí)別，在FDDB上達(dá)到了當(dāng)時(shí)最高的分?jǐn)?shù)。不同于傳統(tǒng)的圖像識(shí)別方法，CNN深度模型的方法避免了依賴于先驗(yàn)知識(shí)的特征提取算法，它具備自主特征學(xué)習(xí)、自我完善等優(yōu)點(diǎn)。

本文將CNN深度模型引入到小麥不完善粒識(shí)別中，解決傳統(tǒng)圖像處理方法人為提取特征的繁瑣及不準(zhǔn)確問題，結(jié)合CNN深度模型的理論構(gòu)建常規(guī)的CNN網(wǎng)絡(luò)模型，再加入金字塔池化層改進(jìn)了網(wǎng)絡(luò)模型，然后通過擴(kuò)展樣本集訓(xùn)練的方法以提高模型泛化能力，最后采用雙面識(shí)別方案降低實(shí)際應(yīng)用中麥粒的識(shí)別錯(cuò)誤率。最后驗(yàn)證該方法的準(zhǔn)確性，為小麥不完善粒的快速、智能自動(dòng)化識(shí)別以及小麥品級(jí)判定提供重要依據(jù)。

1 WheatImage數(shù)據(jù)庫

因?yàn)閿?shù)據(jù)庫也是造成麥粒不完善粒識(shí)別研究比較困難的原因之一，所以本文首先初步建立一個(gè)小麥不完善粒數(shù)據(jù)庫并不斷地進(jìn)行完善以便于后面的研究學(xué)習(xí)。

研究中的小麥樣本（含有白小麥、紅小麥）由中儲(chǔ)糧成都糧食儲(chǔ)藏科學(xué)研究所提供，收集了不同批次不同樣本號(hào)的小麥樣本，由專業(yè)質(zhì)檢員挑選出完善粒、病斑粒和破碎粒。為了獲取全面的小麥圖像數(shù)據(jù)，進(jìn)行小麥圖像雙面采集。將麥粒以無粘連的方式放置在透明的載物板上，進(jìn)行上下兩面圖像采集，采集的分辨率設(shè)置為800dip，背景板為藍(lán)色。小麥有可能只有單面呈現(xiàn)特征（如某單顆病斑粒只有上圖有病斑特征），這種情況下就只保留有特征的一面。

采集后的三類小麥原始圖像需經(jīng)過分割，分割為每張圖像僅有單粒小麥如圖1所示。分割方法為，首先使用輪廓檢測算法檢測出小麥原始圖像的輪廓，然后以輪廓的大小向外擴(kuò)展30個(gè)像素的尺寸進(jìn)行裁剪，最后得到圖1所示的分割圖像。從圖中可以看到圖像采集時(shí)小麥的擺放是隨機(jī)的，且光照不均勻，這樣的采集環(huán)境更接近實(shí)際應(yīng)用場景。

圖1 小麥分割圖像

用分割后的圖像建立麥粒圖像數(shù)據(jù)庫，命名為WheatImage。該數(shù)據(jù)庫包含5729張完善粒圖像、5000張破碎粒圖像和5999張病斑粒圖像。

2 卷積神經(jīng)網(wǎng)絡(luò)

2.1 卷積神經(jīng)網(wǎng)絡(luò)算法描述

深度學(xué)習(xí)中的深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN），是一種多層堆疊的神經(jīng)網(wǎng)絡(luò)，如圖2所示，一個(gè)卷積神經(jīng)網(wǎng)絡(luò)由若干卷積層、池化層和全連接層組成。

圖2 簡易卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2為一個(gè)包含兩個(gè)卷積層兩個(gè)池化層和一個(gè)全連接層的卷積神經(jīng)網(wǎng)絡(luò)，按照不同的需求可以設(shè)計(jì)不同的網(wǎng)絡(luò)結(jié)構(gòu)。在圖2的每一個(gè)卷積層中，將卷積核和上一層的輸出進(jìn)行卷積，得到局部特征數(shù)據(jù)，然后通過激活函數(shù)進(jìn)行激活，即可得到該層的特征圖，如式（1）所示。

其中為 f激活函數(shù)，本研究選用ReLU函數(shù)，l為層數(shù)，MjMj表示選擇的輸入特征圖的集合，為卷積核，*表示二維卷積，表示偏置。然后將得到的特征進(jìn)行池化降維。一般深度卷積網(wǎng)絡(luò)有多個(gè)卷積層，通過逐層遞增的方式，從底層最基礎(chǔ)的邊緣特征，不斷到高層最復(fù)雜的全局特征。最后經(jīng)過全連接層進(jìn)行特征融合后再通過Softmax回歸分類器實(shí)現(xiàn)物體多分類。CNN還采用局部連接和權(quán)值共享技術(shù)，大大減少了卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)數(shù)量。CNN還對(duì)二維數(shù)據(jù)的輸入做了特別的設(shè)計(jì)，這使得卷積網(wǎng)絡(luò)對(duì)于圖片的移動(dòng)、旋轉(zhuǎn)、形變以及縮放等具有較高的魯棒性。

2.2 基于CNN的小麥不完善粒識(shí)別模型

（1）建立網(wǎng)絡(luò)結(jié)構(gòu)模型

對(duì)于深度學(xué)習(xí)的研究，目前已有很多的開源框架例如Theano和TensorFlow等，由于Caffe的上手快、模塊化和速度快等優(yōu)點(diǎn)，且實(shí)驗(yàn)室條件能運(yùn)行，所以本文采用Caffe作為研究工具。

根據(jù)CNN理論和麥粒圖像數(shù)據(jù)，通過多次實(shí)驗(yàn)，構(gòu)建了常規(guī)CNN網(wǎng)絡(luò)模型。空間金字塔池化（Space Pyramid Pooling,SPP）[10]跟普通池化相比，采用了多個(gè)不同尺寸的池化窗，它提取了更多不同的特征，這使得加入了SPP的網(wǎng)絡(luò)模型具有更強(qiáng)的表征目標(biāo)對(duì)象的能力，因此本文將SPP引入到構(gòu)建的常規(guī)CNN網(wǎng)絡(luò)層中得到WheatNet網(wǎng)絡(luò)模型。網(wǎng)絡(luò)中SPP算法所采用的尺度為（4×4，2×2，1×1），網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 WheatNet網(wǎng)絡(luò)結(jié)構(gòu)圖

圖3所示的WheatNet網(wǎng)絡(luò)，每層卷積層卷積后都使用了ReLU激活函數(shù)進(jìn)行激活，激活后進(jìn)行最大池化。不同的是第五層卷積層在激活函數(shù)激活后，采用的是SPP算法。每一個(gè)卷積層都采用了不同的卷積核，和大小不同的滑動(dòng)窗，第一層采用了96個(gè)卷積核，滑動(dòng)窗大小為11×11，步長為4，第二個(gè)卷積層采用了126個(gè)卷積核，滑動(dòng)窗為5×5，步長為1，第三個(gè)和第四個(gè)卷積層卷積核都為192，滑動(dòng)窗大小為3×3，步長為1，第五個(gè)卷積層卷積核大小為126，滑動(dòng)窗大小為3×3，步長為1，經(jīng)過這些卷積層，機(jī)器逐層學(xué)習(xí)到能夠表征目標(biāo)物體的全局豐富特征。全連接層1和全連接層2都使用了激活函數(shù)進(jìn)行激活，并使用Dropout技術(shù)來減小過擬合的風(fēng)險(xiǎn)，而全連接層3采用Softmax回歸作為分類器。

（2）樣本集擴(kuò)展

將數(shù)據(jù)庫中每類4000張圖像作為訓(xùn)練集，每類1000張作為交叉驗(yàn)證集，得到原圖樣本集。實(shí)際應(yīng)用中，采集圖像時(shí)光照條件無法保證絕對(duì)均勻，而且難免會(huì)引入噪聲，因此，本文采用改變亮度和引入適量噪聲的方法擴(kuò)展原圖樣本集，以提高模型泛化能力。

RGB圖像亮度的本質(zhì)為像素點(diǎn)的亮度，每個(gè)像素的亮度本質(zhì)上為RGB值的大小，RGB值為0時(shí)，像素點(diǎn)最暗為黑色，RGB值為255時(shí)像素點(diǎn)最亮為白色。因此，文本把圖像的每個(gè)像素點(diǎn)的RGB各分量的值加上或者減去一定的值，得到改變亮度的圖像。圖像引入的噪聲為均勻分布的噪聲和高斯分布的噪聲。

將原圖樣本集的訓(xùn)練樣本采用上述的方法擴(kuò)展到每類8000張圖像，測試集不變，得到擴(kuò)展樣本集。

（3）雙面識(shí)別方案

為了在實(shí)際應(yīng)用中有更好的識(shí)別效果，本文設(shè)計(jì)了小麥不完善粒識(shí)別的方案，如圖4所示，主要分為小麥圖像預(yù)處理、WheatNet網(wǎng)絡(luò)模型訓(xùn)練和分類識(shí)別三部分。

圖4 小麥不完善粒雙面識(shí)別方案

如圖4所示，采用該方案識(shí)別需要采集小麥上下兩面的圖像，進(jìn)行分割，再輸入模型進(jìn)行識(shí)別，最后綜合上下分類識(shí)別的結(jié)果得到小麥最終所屬類別。雙面識(shí)別的準(zhǔn)則如下：①上下同時(shí)為完善識(shí)別結(jié)果為完善粒；②若得到某一面識(shí)別為完善，另一面識(shí)別為病斑或破碎，那么識(shí)別結(jié)果為病斑?；蚱扑榱?；③若某一面識(shí)別為病斑粒另一面識(shí)別為破碎粒，那么識(shí)別結(jié)果為病斑粒。

3 實(shí)驗(yàn)結(jié)果及分析

首先設(shè)置網(wǎng)絡(luò)訓(xùn)練的參數(shù)，將batch_size設(shè)置為90，初始學(xué)習(xí)率 base_lr設(shè)置為 0.0001，stepsize為100000，即每隔10萬次調(diào)整一次學(xué)習(xí)率，動(dòng)量系數(shù)設(shè)置為0.9。為了加快訓(xùn)練模型的收斂速度，訓(xùn)練時(shí)使用GPU加速。

3.1 不同方法的識(shí)別效果對(duì)比

首先采用原圖數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)現(xiàn)目前小麥不完善粒識(shí)別中傳統(tǒng)的圖像處理方法，因?yàn)辂溋Ｔ陬伾?、形狀、和紋理三方面存在著差異，所以提取麥粒這三方面的特征。形狀特征有長、寬、面積、周長、矩形度、圓形度[1]、直徑、等面積圓直徑、最小凸多邊形面積、緊密度、橢圓離心率[2]。顏色特征有RGB、HSV、lab三種顏色空間分量的均值和方差。紋理特征有RGB和HSV各分量的平滑度、三階矩、熵和一致性[2]。共提取了53維特征，將提取的特征輸入經(jīng)典的SVM、ANN和Ada?Boost分類器，訓(xùn)練得到3個(gè)模型。同時(shí)將原圖數(shù)據(jù)集輸入常規(guī)的8層CNN網(wǎng)絡(luò)和本文的WheatNet網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到常規(guī)CNN模型和WheatNet原圖模型。采用原圖測試集驗(yàn)證模型的精確度，得到表1所示的結(jié)果。

表1 不同方法的識(shí)別結(jié)果

由表1可知常規(guī)CNN方法平均識(shí)別率比傳統(tǒng)圖像識(shí)別方法提高了10%左右，由此可見CNN深度模型應(yīng)用于麥粒不完善粒的識(shí)別，能夠很大地提升識(shí)別正確率，而融入了SPP的WheatNet模型的識(shí)別率比常規(guī)CNN方法提高了5%左右，相對(duì)于傳統(tǒng)的方法提高了15%左右。結(jié)果表明，對(duì)于小麥不完善粒的識(shí)別，WheatNet模型具有最佳的識(shí)別效果。

特征是影響識(shí)別率的重要因素，在傳統(tǒng)圖像處理方法中，特征是靠人為提取設(shè)計(jì)的，人為難以提取能刻畫麥粒本質(zhì)的穩(wěn)定特征，而且特征提取需經(jīng)過觀察麥粒圖像在顏色形態(tài)紋理等這些方面的差異，然后嘗試提取能刻畫這些差異的特征，再驗(yàn)證特征的有效性優(yōu)化特征，過程比較繁瑣。然而采用了CNN深度模型的麥粒識(shí)別方法，可以自主的進(jìn)行特征提取和選擇，避免了傳統(tǒng)方法繁瑣的特征設(shè)計(jì)過程，而且從實(shí)驗(yàn)結(jié)果來看，CNN深度模型的方法對(duì)麥粒的識(shí)別效果優(yōu)于傳統(tǒng)圖像處理方法，證明了CNN深度模型自主學(xué)習(xí)的特征比人為提取的特征具有更強(qiáng)的刻畫麥粒本質(zhì)特征的能力，將CNN深度模型引入到麥粒不完善粒識(shí)別中是有效的。在常規(guī)CNN的基礎(chǔ)上，本文引入了金字塔池化層，金字塔池化層不同于普通的池化層，它采用了多個(gè)不同尺寸的池化窗，提取了多個(gè)不同的特征，因此融入了SPP的WheatNet模型具有比常規(guī)CNN模型更強(qiáng)的表征特征的能力，它的識(shí)別效果最佳。

3.2 WheatNet原圖模型和擴(kuò)展數(shù)據(jù)模型比較

將擴(kuò)展數(shù)據(jù)集輸入WheatNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到WheatNet擴(kuò)展數(shù)據(jù)模型。使用不同質(zhì)量的6組圖像對(duì)該模型和上一步實(shí)驗(yàn)得到的WheatNet原圖模型進(jìn)行測試，得到表2所示的結(jié)果，表中第1組數(shù)據(jù)為不經(jīng)過任何處理的圖像數(shù)據(jù)，第2組和第3組數(shù)據(jù)為經(jīng)過不同程度改變亮度處理的圖像數(shù)據(jù)，第4組為引入高斯分布噪聲的圖像，第5組為引入均勻分布噪聲的圖像，第6組為同時(shí)改變亮度和引入高斯分布噪聲的圖像。

表2 兩個(gè)不同模型對(duì)6組不同質(zhì)量圖像的識(shí)別結(jié)果

由表2結(jié)果可知，對(duì)于改變亮度的圖像，原圖模型識(shí)別效果有所下降，而擴(kuò)展數(shù)據(jù)模型下降并不大，仍能夠有效地識(shí)別。對(duì)于引入了噪聲的圖像，原圖模型的識(shí)別效果急劇下降，而經(jīng)過擴(kuò)展數(shù)據(jù)訓(xùn)練后的模型，雖然識(shí)別率有所下降，但是識(shí)別率仍能夠達(dá)到90%，而且對(duì)同時(shí)改變了亮度和引入噪聲的圖像都能有效地識(shí)別，識(shí)別效果遠(yuǎn)遠(yuǎn)優(yōu)于原圖模型，由此可見本文的數(shù)據(jù)擴(kuò)展方法有效地提高了模型的泛化能力。

3.3 雙面識(shí)別方案的識(shí)別效果

使用本文識(shí)別方案對(duì)100粒完善粒、100粒病斑粒和100粒破碎粒進(jìn)行識(shí)別，首先采集小麥圖像（包含上下圖像），經(jīng)過分割得到上下分割圖像。然后輸入網(wǎng)絡(luò)進(jìn)行識(shí)別，得到雙面識(shí)別結(jié)果，根據(jù)雙面識(shí)別準(zhǔn)則得出最終結(jié)果。本文采用的是雙面識(shí)別，而一般多采用單面識(shí)別，因此本文也實(shí)現(xiàn)僅用上圖或者下圖來進(jìn)行識(shí)別的方法，得到表3的結(jié)果。

表3 雙面識(shí)別和單面識(shí)別的識(shí)別結(jié)果

表3中的結(jié)果可知，雖然對(duì)完善粒的識(shí)別，本文方案沒有絕對(duì)的優(yōu)勢，但對(duì)于破碎粒若僅采用上圖識(shí)別，那么識(shí)別正確粒數(shù)為81粒，僅采用下圖識(shí)別，識(shí)別正確粒數(shù)為83粒，而上下綜合判斷識(shí)別正確粒數(shù)為95粒，這是因?yàn)槠渲胁糠值男←溒扑槊鎯H在某一面，病斑粒中也有相同的情況。如果僅僅采用上圖識(shí)別，那么破碎粒的錯(cuò)誤率為0.19，病斑粒為0.2，而采用雙面識(shí)別的方法，破碎粒的識(shí)別錯(cuò)誤率為0.05，病斑粒為0.06，可以看到雙面識(shí)別的方法可以大大降低識(shí)別的錯(cuò)誤率。小麥不完善粒中存在部分小麥破碎面或者病斑面僅存在于某一面，另一面呈現(xiàn)為完善，對(duì)于這部分小麥，僅靠某一面識(shí)別，往往會(huì)錯(cuò)誤地識(shí)別為完善粒，而雙面識(shí)別方案能很好的將這一部分小麥正確的識(shí)別出來，從而降低識(shí)別錯(cuò)誤率，這種方案更適用于小麥不完善粒的實(shí)時(shí)檢測識(shí)別。

4 結(jié)語

在麥粒的圖像識(shí)別研究中，沒有準(zhǔn)確的圖像數(shù)據(jù)庫也是造成研究困難的原因之一，而本文初步建立的小麥完善粒、破碎粒和病斑粒的圖像數(shù)據(jù)庫WheatIm?age，將有利于麥粒不完善粒的學(xué)習(xí)和研究。針對(duì)目前已有的麥粒不完善粒圖像識(shí)別方法需要進(jìn)行特征提取并且所提特征不能很好的表征麥粒的特性從而導(dǎo)致的識(shí)別效果不佳的問題，本文將CNN深度模型的方法引入到麥粒不完善粒識(shí)別中，構(gòu)建了常規(guī)的CNN網(wǎng)絡(luò)模型并取得了優(yōu)于傳統(tǒng)圖像處理方法的識(shí)別效果，然后在常規(guī)CNN的基礎(chǔ)上加入了金字塔池化層得到WheatNet網(wǎng)絡(luò)模型，進(jìn)一步提高了識(shí)別率。在研究中，發(fā)現(xiàn)通過原圖訓(xùn)練集訓(xùn)練得到的網(wǎng)絡(luò)對(duì)于亮度變化和引入噪聲的圖像不能很好地識(shí)別，然而實(shí)際應(yīng)用情景中，是無法保證絕對(duì)均勻的光照條件和杜絕噪聲的引入，因此本文通過改變亮度和引入部分噪聲的方式擴(kuò)展樣本集進(jìn)行訓(xùn)練的方法來提高模型泛化能力，實(shí)驗(yàn)證明該方法很好地提高了模型的泛化能力，使得模型對(duì)亮度變化和引入噪聲的圖像都能很好的識(shí)別?？紤]到部分麥粒只有某一面呈現(xiàn)特征的特殊情況，設(shè)計(jì)了小麥不完善粒雙面識(shí)別的方案，有效降低了識(shí)別的錯(cuò)誤率，有利于麥粒的實(shí)際場景檢測識(shí)別。

[1]陳豐農(nóng).基于機(jī)器視覺的小麥并肩雜與不完善粒動(dòng)態(tài)實(shí)時(shí)監(jiān)測研究[D].杭州:浙江大學(xué),2012:1-121

[2]張玉榮,陳賽賽,周顯青,等.基于圖像處理和神經(jīng)網(wǎng)絡(luò)的小麥不完善粒識(shí)別方法研究[J].糧油食品科技,2014,22(3):59-63.

[3]付玲.小麥質(zhì)量快速測定與評(píng)價(jià)技術(shù)的研究[D].鄭州:河南工業(yè)大學(xué),2013:8-51

[4]陳賽賽.小麥質(zhì)量指標(biāo)機(jī)器視覺技術(shù)研究[D].鄭州:河南工業(yè)大學(xué),2014:14-50.

[5]Manley M,Toit G D,Geladi P.Tracking Diffusion of Conditioning Water in Single Wheat Kernels of Different Hardnesses by Near Infrared Hyperspectral Imaging[J].Analytica Chimica Acta,2011,686(1-2):64-75.

[6]Yin F,Wang Q F,Zhang X Y,et al.ICDAR 2013 Chinese Handwriting Recognition Competition[C].Document Analysis and Recognition(ICDAR),2013 12th International Conference on.IEEE,2013:1464-1470.

[7]Graham B.Spatially-Sparse Convolutional Neural Networks[J].Computer Science,2014,34(6):864-867.

[8]Ijjina E P,Chalavadi K M.Human Action Recognition Using Genetic Algorithms and Convolutional Neural Networks[J].Pattern Recognition,2016,59(11):199-212.

[9]Yu J H,Sim K B.Face Classification Using Cascade Facial Detection and Convolutional Neural Network[J].2016,26(1):70-75.

[10]He K,Zhang X,Ren S,et al.Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2015,37(9):1904-1916.

[11]Gatys L A,Ecker A S,Bethge M.Image Style Transfer Using Convolutional Neural Networks[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.2016:2414-2423.

[12]Maggiori E,Tarabalka Y,Charpiat G,et al.Convolutional Neural Networks for Large-Scale Remote-Sensing Image Classification[J].IEEE Transactions on Geoscience and Remote Sensing,2017,55(2):645-657.

[13]鄧柳,汪子杰.基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別研究[J].計(jì)算機(jī)應(yīng)用研究,2016,33(3):930-932.

[14]Zhu J,Yu J,Wang C,et al.Object Recognition Via Contextual Color Attention[J].Journal of Visual Communication&Image Representation,2015,27(C):44-56.

[15]Russakovsky O,Deng J,Su H,et al.ImageNet Large Scale Visual Recognition Challenge[J].International Journal of Computer Vision,2015,115(3):211-252.

[16]馬彧廷,郭敏.基于極限學(xué)習(xí)與蜻蜓算法的小麥碰撞聲信號(hào)檢測與識(shí)別[J].電子設(shè)計(jì)工程,2016,24(5):8-11.

[17]楊楠.基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)究[D].石家莊:河北師范大學(xué),2016:6-48.

[18]湯一平,韓國棟,魯少輝,等.基于CNN的火炮身管全景圖像疵病識(shí)別方法[J].儀器儀表學(xué)報(bào),2016,37(4):871-878.