基于迁移学习番茄品质分级的研究应用

摘要：

为解决手工分拣番茄存在劳动力浪费,分选质量得不到保证等问题,采用基于迁移学习的方式训练微调后的AlexNet网络,对常见的6种番茄进行品质分级研究;并探究不同优化算法和初始学习率对模型训练精度的影响,以及AlexNet网络卷积层对不同番茄所激活的区域.以迁移学习的方式进行训练的AlexNet模型,测试识别精度达到97.70％,相较于AlexNet?、GoogLeNet?、MobileNet-V2、NasNet-Mobile、ShuffleNet、SqueezeNet?6种模型,测试精度提高0.38％～14.54％,并且训练时间、收敛速度、图片识别时间、损失值都表现较好.SGDM优化算法比Adam算法、RMSprop算法在训练时间上分别提高37.7％和38.9％;验证精度提高5.5％和3.97％;测试精度提高7.39％和4.46％.当学习率为0.0001时,模型收敛较快,且收敛稳定后损失较低,SGDM的优化算法和0.0001的粗略学习率更适合模型.研究结果为番茄分级研究提供理论支持.

关键词：AlexNet、迁移学习、品质分级、番茄、优化算法

所属期刊栏目：41

分类号：TS255.36;TP391.41(食品工业)

资助基金：新疆维吾尔自治区自然科学基金;新疆维吾尔自治区科协青年人才托举工程项目

在线出版日期：2023-05-23（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：41-47