基于改进LeNet-5模型的木材表面典型缺陷识别方法研究
针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型.应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87％、验证集为99.43％,运算时间缩短,木材缺陷识别精度和效率提高.
木材缺陷检测;改进LeNet-5模型;深度学习;卷积神经网络
35
S781.5;TS67(森林采运与利用)
2021-12-10（万方平台首次上网日期，不代表论文的发表时间）
共7页
31-37
