基于遷移學(xué)習(xí)的蔬菜圖像識別方法

摘要：為解決蔬菜識別領(lǐng)域缺少帶標(biāo)簽樣本的問題,提出了一種基于遷移學(xué)習(xí)的圖像識別方法.首先,將原始數(shù)據(jù)集利用數(shù)據(jù)增強擴大樣本數(shù)據(jù)量后引入到大規(guī)模數(shù)據(jù)集上的預(yù)訓(xùn)練模型.針對遷移過程中高層特征的領(lǐng)域特定性導(dǎo)致的網(wǎng)絡(luò)泛化性能差,通過加入兩層自適應(yīng)層參數(shù)初始化后重新訓(xùn)練得到基本模型;對該基本模型再利用參數(shù)凍結(jié)的遷移方式進一步調(diào)優(yōu)參數(shù),得到用于蔬菜圖像識別的最終網(wǎng)絡(luò)模型.實驗表明,基于CaffeNet和ResNet10兩個小型網(wǎng)絡(luò)的遷移策略可以較好地處理小樣本的蔬菜圖像識別,訓(xùn)練得到的模型準(zhǔn)確率分別為94.97%、96.69%.與其他遷移算法及傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法相比,該算法具有更高的識別性以及更強的魯棒性.