全文总字数：6102字

基于卷积神经网络的柑橘图像识别算法研究

1 前言

柑橘是人们食用率很高的一种水果，而柑橘是一种有缺陷就极易腐坏的水果，并且存放时若不做好好坏柑橘的分类，将会严重影响其经济效益，人工分拣效率低且成本高，因此，研究柑橘表面颜色分级识别进而对缺陷的识别的技术是很有必要的。近几年兴起的深度卷积神经网络，对目标特征表达能力强、识别效果好、且可实现快速实时的识别。且近年来，卷积神经网络在图像识别领域突出的表现，使其成为了当下研究的热点，利用卷积神经网络应用到对柑橘图像进行识别，是当前最优的选择，在未来很多的领域中的应用也会越来越广泛。

2 国内外研究综述

2.1 国外关于卷积神经网络的柑橘图像识别算法的研究现状

国外有很多学者对卷积神经网络有很深入的研究，他们对卷积神经网络算法进行了改进和完善，提出了多种框架。G Baldini^[1]等人研究了深度卷积神经网络（CNNs）在辐射识别问题中的应用。结果表明，深度CNN与图像表示相结合的识别性能明显优于基于原始时间序列相异性的传统方法。Y Jin^[2]等学者为了提高胸部X光图像的视觉效果，减少基于胸部X光图像的疾病诊断中的噪声干扰，提出了一种基于深度卷积神经网络的图像去噪模型。他们利用批量归一化来解决由于神经网络层的增加而导致的性能下降的问题，并且使用噪声在噪声X射线图像中的分布的残差学习。与目前流行或最新的几种去噪算法相比，该方法不仅能取得较好的去噪效果，而且能显著降低网络的复杂度，缩短计算时间。

深度学习算法，特别是卷积神经网络，也已经迅速成为医学图像分析的一种方法。Bilal Chouiha^[3]研究的是甲状腺癌，他们的研究重点是利用超声图像的深度学习来识别恶性组织。该方法基于ImageNet顶级性能的深度卷积神经网络，并且他们在分类前对训练图像进行了多种数据扩充策略，以扩大训练数据的多样性。最终结果表明，VGG16、Inception Resnet和Inception的测试准确率分别为93%、97%和99%。DL A^[4]等提出了一种基于卷积神经网络的核素快速识别方法。，根据结论可得，该算法对低计数率gamma;能谱具有较高的识别精度，可用于提高辐射快速监测的识别性能。G Binder^[5]和A Tura提出了一种基于卷积神经网络的全应变波场机器学习方法。在德克萨斯州Eagle Ford页岩水力压裂期间，利用水平观测井记录的数据对该方法进行了测试。随着分布式声传感数据质量的不断提高，神经网络为自动、实时的微震事件检测提供了许多优势，包括计算成本低、数据预处理最少、错误触发率低，以及随着获得更多训练数据而不断提高性能。J Dario^[6]等研究了包括2016年意大利中部Mge;3.0地震序列期间记录的多站3C加速度波形数据，在这基础上提出一种基于深度卷积神经网络的地震地面震动强度预测技术，虽然该技术并非严格设计用于地震预警，但根据他们的研究发现，该技术可以根据不同的设置元素（例如数据的时间）在地震起始时间后15–20 s内提供有用的地震动估计。预测波前控制是自适应光学的一个重要而迅速发展的领域。通过对未来波前效应的预测，可以显著缓解由于波前校正的测量、计算和应用所引起的AO系统伺服滞后。这种滞后会影响最终传送的科学图像，包括降低的strehl和对比度。因此Swanson Robin^[7]等总结了一种基于对抗性先验知识的深度神经网络预测控制训练方法。这些方法显示了基于先前生成的数据或开环系统的结果，并展示了在闭环中模拟的网络性能。该模型既能减少伺服滞后引起的影响，又能推动自然导星可靠控制的微弱端。在医学上，帕金森病（Parkinson#39;sdisease，PD）是一种与年龄相关的神经退行性疾病，其早期诊断极具挑战性。PD神经病理学的特征是黑质多巴胺能神经元选择性缺失。SN的回声是诊断PD的重要生物标志物。但是，与其他医学成像方式相比，超声图像通常分辨率低，噪声大。因此，为了实现这一过程的自动化，N Thirusangu^[8]等提出了一种基于U-Net结构的深度卷积神经网络，该网络可用于从获得的TCUI中对SN进行语义分割，得到了更好的精度。细胞核的形态计量学分析是细胞学检查的关键。遗憾的是，细胞核分割带来了许多挑战，为了解决一系列的问题，M Kowal^[9]等提出了一种结合卷积神经网络和分水岭变换的方法来分割乳腺癌细胞学图像中的细胞核。利用卷积神经网络对预处理后的图像进行语义分割。它发现细胞核区域、细胞质区域、细胞核边缘和背景。作为研究的一部分，他们验证了使用卷积神经网络代替强度阈值来生成流域地形图是如何改善分割结果的。结果表明，卷积神经网络在大多数情况下都优于Otsu阈值法和自适应阈值法，特别是在核重叠较多的情况下。R Ha^[10]等开发一种基于MRI特征的卷积神经网络算法，用于预测乳腺癌的分子亚型。大量实验结果表明，利用这种新的CNN对乳腺癌进行MRI分析可以预测乳腺癌的分子亚型。更大的数据集改进了他们的模型。

从以上的文献中可以看到，卷积神经网络算法在国外广泛应用于医学，并且取得了相应的成果，但基于卷积神经网络算法对柑橘等水果的图像识别应用极少。