基于改进ShuffleNet的板栗分级方法

李志臣,凌秀军,李鸿秋,李志军

基于改进ShuffleNet的板栗分级方法

李志臣1,凌秀军1,李鸿秋1,李志军2

1. 金陵科技学院机电工程学院, 江苏 南京 211169 2. 五莲县松柏镇农业综合服务中心, 山东 五莲 262302

传统的板栗分级方法主要依靠人工或机械的多级振动筛，不仅分级准确率低而且容易把坏的板栗分成好的板栗。针对传统板栗分级存在的问题，构建轻量级的卷积神经网络实现高精度的板栗的自动分级。在自然光条件下用小米Note9手机拍摄获取包含优等品、一等品、合格品、虫蛀品和霉烂品板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。在学习的基础上构建了一个浅层卷积神经网络Shnet-1，Shnet-1由2个卷积模块和4个构成的板栗图像特征提取网络。特征提取网络连接板栗分类器，分类器由全局平均池化层、隐含层和输出层组成的多层感知器。为了实现板栗分类的最大精度和最小计算量，对Shnet-1模型的超参数进行了优化。将Shnet-1的分类性能与各种深度学习模型如AlexNet、Mnet-1、ResNet18进行了比较分析。浅层卷积神经网络Shnet-1网络模型应用于板栗分级的准确率达到98.90%，坏的板栗被分为好板栗的比例小于0.5%。Shnet-1的计算量小，板栗图像分类时间为26 ms，其权重仅占488KB的物理存储容量。改进ShuffleNet的卷积神经网络模型Shnet-1模型能够快速和准确地完成对板栗的分级，为板栗的自动化分级提供了智能决策支持。

板栗分级;Net

对板栗进行分级(分类)可增加板栗的附加值，传统的板栗分级方法主要是人工或机械式的多级振动筛，劳动效率低、劳动强度大，不能区分虫蛀和霉烂的坏板栗。结合图像处理技术的机器视觉自动农产品分级或者作物病害识别可以克服人工容易误判、依赖经验等缺点。冯斌设计的基于机器视觉的水果自动分级系统能智能输出分类结果[1]。戴建民通过对图像进行中值滤波提取烟叶的长度、长宽比、圆形度、纹理等几何特征，再加上烟叶的颜色特征，利用多特征模糊识别方法对烟叶分类的正确率可达到烟叶分级标准[2]。人工神经网络和卷积神经网络(Convolutional Neural Networks, CNN)能够自动进行图像特征提取，在农业检测领域受到广泛应用。马本学设计了基于残差卷积神经网络结合图像处理的干制哈密大枣外部品质检测系统，外部品质检测准确率为93.13%，满足干制哈密大枣品质在线检测装备的生产需求[3]。彭文等以水稻田杂草为主要研究对象，利用多种结构的深度卷积神经网络提取杂草特征和识别分类，结果显示VGG16模型的精度最高[4]。彭旭等将标准化后以极坐标表示的农情数据编码通过滑动窗口机制划分子集，利用宽度卷积神经网络模型将每个子集数据重构后矩阵进行异常检测，异常检测准确率均超过97.5%[5]。邓向武提出了一种基于CNN与迁移学习相结合的稻田苗期杂草识别方法，该方法对稻田苗期杂草识别切实可行[6]。陆健强等提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型进行柑橘黄龙病果实图像识别，模型识别准确率可以达到91.38%[7]。樊湘鹏等在卷积层加入批标准化处理层，引入中心代价函数，对Faster R-CNN进行改进，采用随机梯度下降算法优化训练改进后的网络模型，实验结果表明将改进后的Faster R-CNN算法用于田间复杂条件下的玉米病害智能诊断是可行的，具有较高的准确率和较快的检测速度[8]。王璨将卷积神经网络用于提取田间图像的多尺度分层特征，将这些特征用于识别玉米苗与杂草的精确度较高[9]。李强改进经典CNN模型LeNet-5，获得蔗芽平面位置识别的CNN模型，识别的准确率达到92%[10]。谢圣桥设计了基于FasterR－CNN的毛桃目标识别方法，能有效识别出疏果前期的毛桃目标，模型具有较好的鲁棒性和泛化能力[11]。朱德利用MobileNet提取多层特征并融合特征建立的MF-SSD卷积神经网络模型应用于玉米穗丝的检测，模型获得很好的检测效果[12]。

国内针对板栗自动分级的研究开展的较早，在2005年，刘仕良应用机器视觉技术与机电一体化技术,对板栗实时条件下的视觉信息快速获取与处理技术进行了研究,设计了基于机器视觉的板栗精细分级装置[13]。展慧在2010年研究了基于BP神经网络与板栗图像特征的板栗分级方法，预测识别率达到了91.67%，还通过提取虫眼边缘特征向量，提出基于图像处理技术识别虫眼板栗的方法，方法的识别正确率可达88.9%[14-16]。Jiang通过图像处理提取板栗的形状特征参数，提出了一种基于决策融合的方法并利用神经网络进行板栗自动分类的策略，提高了分类精度[17]。

上述板栗自动分级的研究的思路往往是根据图像的颜色、纹理结构采用边缘检测等方法，这些方法不能满足自然条件下获取的所有复杂背景图像，最终的板栗分级精度不高。在研究中利用自然光源获取板栗图像，经过图像预处理后分为训练、验证和测试三组数据集，学习ShuffleNet的网络架构理念，设计了一个浅层卷积神经网络模型(Shnet-1)进行板栗的分级，提高了板栗分级的准确率。

1 材料与方法

1.1 板栗分级标准

根据中华人民共和国供销社行业标准GH/T1029-2002的规定，板栗共分为优等品、一等品和合格品三类，实际上板栗加工企业更关注霉烂和虫蛀的板栗，这两类板栗务必在加工前分拣出来而不能进入加工环节，因此在标准GH/T1029-2002的基础上，添加霉烂品和虫蛀品，采集的板栗来自山东省五莲县的板栗果，分类标准见表1。

表 1 板栗分级标准

1.2 板栗图像的获取与预处理

从板栗加工企业选择分级后的板栗成品5481粒，其中优等品板栗1200粒、一等品板栗940粒、合格品板栗1162粒、虫蛀品板栗1076粒，霉烂品板栗1103粒。用小米Note 9手机的摄像功能对这些板栗按级拍照，拍照时固定手机位置并且将板栗放置到一张白纸上，图像分辨率为640像素(宽)*480像素(高)，图1所示的就是所拍摄的板栗的优等品(a)、一等品(b)、合格品(c)、虫蛀品板栗(d)和霉烂品板栗(e)的原始图像。

图 1 板栗原始图像

原始图像的分辨率比较高，如果把全部像素的数据作为神经网络的输入，可能导致计算机显存崩溃，输入网络时将图像的分辨率缩减为224像素(宽)*224像素(高)。按照接近7:2:1的比例将5481幅图像分成三组，一组为训练数据组，有图像3839幅。第二组为验证数据组，有1095幅图像，第三组为测试数据组，有547幅图像。每一组的图像分布如表2所示。

表 2 图像数量分布

1.3 对比网络模型

选择AlexNet、ResNet、Mnet-1三个网络模型进行板栗的分级试验，将分级结果与改进的ShuffleNet的卷积神经网络的板栗分级结果对比分析，从而选出最优的用于板栗分级的卷积神经网络模型。

AlexNet使用ReLU作为CNN的激活函数，在全连接层使用了Dropout，使用最大池化，对局部神经元的活动创建了竞争机制。AlexNet有5 797 317个参数，占用22 MB存储空间。汪小旵运用改进AlexNet卷积网络模型对基于叶绿素荧光成像技术的番茄苗热害胁迫进行智能识别，模型的平均识别精度达98.8%[18]。金守峰运用改进的AlexNet模型对抓毛织物质量进行检测，模型能够提取抓毛织物表面特征并且模型的识别率高[19]。

ResNet是一个批归一化的152层卷积的深层卷积神经网络模型，有11 252 036个参数。谢州益等学者针对传统模型参数庞大的问题，提出一种基于ResNet18特征编码器的图像描述算法，对作物患病类型进行识别并生成描述，模型算法描述细致准确、鲁棒性强[20]。张垚鑫以ResNet18为基础构建了一种用于识别不同部位羊肉的改进ResNet18网络模型，将ResNet18网络残差结构中的传统卷积用深度可分离卷积替换后减少了参数量，改进的网络模型对羊肉部位识别的准确率高达97.92%[21]。

Mnet-1是作者设计的一个改进的MobileNet用于板栗分级浅层卷积神经网络，网络结构采用中间大两头小的倒残差结构，采用了ReLU6激活函数，倒残差结构的最后一层的卷积采用了线性的激活函数，Mnet-1的最大优点是占用资源少，可用于嵌入式设备。

1.4 基于改进ShuffleNet的卷积神经网络设计

ShuffIeNet是一个作为轻量级卷积神经网络模型，模型复杂度低，适用场景广，为了在保证精度的情况下减少网络参数量，ShuffIeNet采用分组卷积。假设特征图有个，分成个组，每个组的/个特征图分别卷积处理后再进行合并，这种操作就是分组卷积。无论ShuffIeNet的V1版还是V2版，卷积层还是很多，容易过拟合[22,23]，反而使板栗分级的精度降低，所以正确使用ShuffIeNet的方法就是在其基础上改进以适应板栗分级的需求。

综合考虑板栗分类准确率、分类速度以及网络模型所占物理存储的大小，在学习的基础上设计了一个浅层CNN(Shnet-1，图2(a))，网络Shnet-1的输入图像的分辨率是224*224像素，有R、G、B三个通道，图像首先进行卷积，卷积核大小为3*3，步距为2，有24个卷积核，输出为112*112*24，卷积后经过批归一化和Relu函数激活后输入Maxpool作3*3、步距=2的最大池化处理，经池化处理后输出的特征矩阵形状是56*56*24。

批归一化(Batch Normalization，BN)的目的使一批特征矩阵的每一个特征图满足均值为0、方差为1的分布规律，通过批归一化，能够加速网络的训练和提升网络的收敛速度以及提升板栗分类准确率。

1.4.1 求均值

u第个批特征图均值。

1.4.2 求方差

u第个批特征图方差。

1.43 归一化

56*56*24的特征图输入Shuffle1，Shuffle1的结构如图2(b)所示，输入的特征图首先经过shufflesplit分组，分组的目的是为了采用不同的卷积核再对各个组进行卷积，从而降低卷积的计算量，减少权重占用空间。分组后的主线先经过第一次组卷积(group convolution，GConv)，组卷积后批归一化，用的激活函数为Relu函数(GConvBnRelu)，见公式5。GConv层后不同组之间的特征图是不通信的，各组之间是独立的，没有信息交流。为了解决这个问题，第一次GConv后进行channel shuffle操作，就是将组之间的特征进行交换，使得每个组包含了其他组的特征，从而实现不同信道组之间的信息通信，提高了板栗图像特征提取的准确性。为了进一步提取板栗的特征细节，shuffle操作后进行深度可分离卷积(Depthwise Separable Convolution，Dwc)操作，Dwc操作主要是降低传统卷积的计算复杂度，卷积核大小为3*3，步距等于2，卷积后经过BN操作。DwcBN后的板栗图像特征矩阵再次GConvBnRelu完成主线操作。

在主线的DwcBN，步距等于2，而特征图大小减小，输入与输出的特征图的形状不一致。因此Shuffle1残差单元(分支)安排一个核大小为3*3、步距等于2的平均池化层(3*3Apool),从而使得主线和分支的输出特征图的形状一致才能用Concat联接输出，输出为28*28*116.

Shuffle2、Shuffle3和Shuffle4的结构形状与Shuffle1相同，但是DwcBN的步距等于1，分支没有平均池化层。4个Shuffle后的板栗特征图进一步经过128个卷积核、核大小为1*1的卷积(图2(a)的Conv5)，至此完成板栗图像的特征提取。

图 2 Shnet-1卷积神经网络结构

分类器是一个多层感知器(Multilayer Perceptron，MLP)，MLP包括一个全局平均池化层(GAP)、一个隐藏层和一个输出层，不同于Shufflenet的分类器，设计的Shnet-1增加了一个隐藏层，根据公式(6)计算隐藏层神经元个数为316。板栗共有优等品、一等品、合格品、霉烂和虫蛀品5类，所以修改Shufflenet的输出层的1 000个神经元为5个神经元，。Shnet-1的超参数如学习率、迭代次数和优化函数在第2部分介绍。

=max(0,)(5)

式中：—隐含层的神经元个数；—输入层神经元个数；—输出层神经元个数；—常数，设计中令=0。

2 网络模型的训练与验证

2.1 环境与数据导入

4个网络模型的训练和验证的操作系统为Window10，深度学习软件框架为TensorFlow.keras。训练和验证的硬件环境CPU型号为AMD-Ryzen-5-3550H，内存为16 G，主频2.1 GHZ。不使用GPU。

程序设计采用python语言，运用Keras的image_dataset_from_directory函数导入训练、验证和测试数据并在数据加载的同时打乱数据，将label_mode参数设置为categorical，从而使得图像数据自动生成标签向量，每批处理的数据为32幅图像，对导入的图像数据作归一化处理。

2.2 训练和验证

分别以训练组和验证组的板栗图像对卷积神经网络模型AlexNet、ResNet18、Mnet-1和Shnet-1进行训练和验证。根据以往对卷积神经网络应用于农产品分级的研究中发现，在卷积神经网络训练的过程中，自适应矩估计(Adaptive moment estimation,Adam)优化器是最优的优化函数，动量因子设置为0.9。学习率过大会造成网络无法收敛，在最优值附近振荡，通过手动人工调整学习率的方法发现，当学习率为0.001时板栗分类的综合效果最好。模型训练迭代次数为75次，损失函数为对数交叉熵损失。训练和验证的准确率以及损失见图3，横坐标是训练和验证的迭代次数(epoch)。损失值反映了模型的拟合能力，损失越低，代表卷积神经网络模型拟合的能力越强。

ResNet18在板栗的训练与验证过程中，表现出不稳定的状态，准确率和损失一直处于波动状态。AlexNet的训练和验证准确率在迭代60次后处于稳定，训练的损失在0.93附近，验证损失接近于1。Mnet-1在epoch=50时，训练准确率达到最高值1，训练损失达到最低值的0.5，验证准确率达到0.97，验证损失为0.62并且一直保持稳定。Shnet-1在epoch=50时训练准确率达到极值1并保持稳定，验证准确率达到99%，训练损失达到最低值的0.38，验证损失为0.42。

表3是四种卷积神经网络模型在训练和验证的性能参数，随着网络深度的增加，参数量和训练时间增加，ResNet18每个epoch训练和验证时间为11 min，75次迭代的时间达到13.7 h，Shnet-1每个epoch的训练和验证时间为1.43 min，75次迭代的时间达到1.8 h，Shnet-1的权重存储只占488 KB，单幅板栗的分级识别时间仅用26 ms。

表 3 四种卷积网络模型的性能对比

综合板栗图像的分类训练和验证的准确率以及损失，卷积网络模型ResNet18不适合板栗的分级应用。基于ShuffIeNet改进的卷积神经网络模型Shnet-1在训练和验证集上损失值波动很小且达到最低值0.40左右，证明该模型相比基于MobileNet改进的Mnet-1和AlexNet网络模型泛化能力强。Shnet-1的训练和验证准确率是最高的，占用存储空间和图像识别时间是最低的，这也说明Shnet-1的学习效果是最好的。

3 网络模型的测试

3.1 评价指标的选择

混淆矩阵可以很好地展示分级的类型和分布，通过混淆矩阵计算网络模型的相关评估指标如准确率、召回率和特异度。准确率广泛地应用于分类的评估中，准确率是最直观的评价指标，反映的是预测正确的样本数占全部总样本个数的比例，针对的是所有样本的统计量(公式7)，但当出现样本不均衡的情况时，准确率并不能合理反映模型的预测能力。召回率克服了准确率的缺陷(公式8)，特异度指标在一些严格要求不能漏检异常样本的任务中比较有意义(公式9)，在板栗的分级中，霉烂和虫蛀板栗不能被分为优等品、合格品或者一等品板栗。在混淆矩阵中，槟榔分级正确的有两个参数，一个是正确预测为正样本的数量(True Positive, TP)，另一个是正确预测为负样本的数量(True Negative，TN)；槟榔分级错误的也有两个参数，一个是错误的预测为正样本的数量(False Positive，FP)，另一个是错误地预测为负样本的数量(False Negative, FN)。

=(+)/(+++)(7)

=/(+)(8)

=/(+)(9)

图 3 四个网络模型训练和验证的准确率和损失

3.2 模型对比分析

将训练好的AlexNet、Mnet-1和Shnet-1三个网络模型用于板栗的分级测试，测试板栗图像为测试数据组的547幅图像，3个网络模型测试结果的混淆矩阵如表4所示，测试结果的性能指标如表5所示。

如果把优等品、一等品和合格品板栗称为好板栗，把霉烂品和虫蛀品板栗称为坏板栗，那么就板栗加工企业的要求而言，坏板栗是不能被分为好板栗的，否则就损害消费者利益，从而影响企业声誉。为了增加企业利润，好板栗分为坏板栗的比例要小。AlexNet模型对好板栗分级准确率为94.8%，对坏板栗分级准确率为94%，5粒霉烂板栗被预测为一等品，2粒霉烂板栗被预测为合格品，共占霉烂板栗的6.4%。

Mnet-1在547幅板栗图像的分级中，优等品板栗全都被正确分级，一等品板栗有6粒被分错，其中3粒被分成了合格品、3粒被分成了霉烂品，合格品板栗有7粒被分错，其中6粒被分成了一等品、1粒被分成了虫蛀品，虫蛀品板栗仅有1粒被错误地分成霉烂品，霉烂品板栗有4粒被分错，其中1粒被分成了一等品(低于1%)、3粒被分成了虫蛀品。坏的板栗被分为好板栗的比例为0.18%。

Mnet-1模型对好板栗分级准确率为98.8%，对坏板栗分级准确率为99.5%。Mnet-1模型测试的整体分类识别准确率为98.68%。Mnet-1模型权重占用1.63 MB的存储容量，单张板栗图像的识别分级时间33 ms。

Shnet-1在547幅板栗图像的分级中，优等品板栗全都被正确分级，一等品板栗有2粒被分错为霉烂品，合格品板栗有10粒被分错，合格品的误判率较高，其中9粒被分成了一等品、1粒被分成了虫蛀品，实际上有小部分合格品板栗与一等品板栗外形特征十分接近，所以模型识别困难，其它三个模型也有类似现象，人工筛分级有少部分的一等品板栗和合格品板栗界限也很模糊。虫蛀品板栗仅有1粒被错误地分成霉烂品，霉烂品板栗有2粒被分错，其中1粒被分成了一等品(低于1%)、1粒被分成了虫蛀品。坏的板栗被分为好板栗的比例为0.18%。

Shnet-1模型对好板栗分级准确率为99.1%，对坏板栗分级准确率为99.5%。优等品板栗的分级准确率为100%，一等品板栗分类识别准确率为97.87%，合格品板栗分类识别准确率为91.38%，虫蛀品板栗分类识别准确率为99.07%，霉烂品板栗分类识别准确率为98.18%，Shnet-1模型测试的整体分类识别准确率为98.90%。Shnet-1模型对板栗分级的准确率、和召回率的值都超过97%，特异度的值都超过99%，说明坏板栗的漏检率很低，所以基于Adam优化的Shnet-1模型对板栗分级的效果好。Shnet-1的参数总量是65 009，Shnet-1的模型的深度小，参数总数和所占用的空间也小，最终的模型权重占用488 KB的存储容量，单幅板栗图像的识别分级时间只有26 ms，满足嵌入式设备的要求。

CNN的层数增加，模型的复杂性也增加，参数的总数呈指数级增长又会导致增加了存储空间，但是增加了深度并不能提高模型的性能。较深的卷积神经网络对于板栗的分级训练出现特征消失、过拟合和速度慢等问题，卷积网络层数多反而降低了板栗分级的准确率，ResNet18，AlexNet卷积神经网络不适和板栗分级的应用。因为板栗图像特征并不复杂，比ImageNet数据库中的图像简单的多，针对板栗图像的分级，深度卷积网络结构是不必要的。根据对比，Shnet-1对板栗的分级具有最高的准确率，其它的指标相对于深层模型AlexNet和Mnet-1同样具有较高的比率，所以Shnet-1模型针对板栗分级的性能是最高的。

表 4 神经网络模型的混淆矩阵

表 5 网络模型的性能指标

4 结论

以板栗待加工品为对象，吸收ShuffleNet的网络优势，设计的卷积神经网络模型Shnet-1对板栗的优等品、一等品、合格品、虫蛀品和霉烂品5类板栗进行分级检测。Shnet-1模型对板栗分级检测的准确识别率高达98.90%，其中对优等品、一等品、合格品、虫蛀品和霉烂品的识别率分别达到了100%、97.87%、91.38%、99.07%和98.18%。通过与AlexNet、Mnet-1、ResNet18三种卷积神经网络的训练、验证和测试的对比，Shnet-1卷积神经网络模型算法能有效提高板栗分级检测识别的准确率，降低了坏板栗识别为好板栗的误识率。

模型不依赖高端的计算设备就能进行实时的板栗分级检测，Shnet-1吸收ShuffleNet神经网络模型算法优点，具有准确率高、权重空间小、计算功耗低、实时性强的优点，易于部署在移动端和嵌入式设备中。为实现板栗分级检测的自动化控制提供了基础，具有一定的商业与工业价值。

在今后的工作中，可进一步研究增强模型的适用性和网络参数的自适应调节，增加更多数量的各级原始板栗图像训练卷积神经网络模型，提高模型的泛化能力,进一步减少坏板栗识别为好板栗的比率。

[1] 冯斌,汪懋华.基于计算机视觉的水果大小检测方法[J].农业机械学报,2003,34(1):73-75

[2] 戴建民,曹铸,孔令华,等.基于多特征模糊识别的烟叶品质分级算法[J].江苏农业科学,2020,48(20):241-247

[3] 马本学,李聪,李玉洁,等.基于残差网络和图像处理的干制哈密大枣外部品质检测[J].农业机械学报,2021,52(11):358-366

[4] 彭文,兰玉彬,岳学军,等.基于深度卷积神经网络的水稻田杂草识别研究[J].华南农业大学学报,2020,41(6):75-81

[5] 彭旭,饶元,乔焰.基于宽度卷积神经网络的异常农情数据检测方法[[J].华南农业大学学报,2022,43(2):113-121

[6] 邓向武,马旭,齐龙,等.基于卷积神经网络与迁移学习的稻田苗期杂草识别[J].农机化研究,2021,43(10):167-171

[7] 陆健强,林佳翰,黄仲强,等.基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究[J].华南农业大学学报， 2021,42(3):94-101

[8] 樊湘鹏,周建平,许燕.基于改进区域卷积神经网络的田间玉米叶部病害识别[J].华南农业大学学报,2020,41(6):82-91

[9] 王璨,武新慧,李志伟.基于卷积神经网络提取多尺度分层特征识别玉米杂草[J].农业工程学报,2018,34(5):144-151

[10] 李强,刘姣娣,许洪振,等.基于卷积神经网络的蔗芽识别定位[J].农机化研究,2022,44(7):27-32

[11] 谢圣桥,宋健,汤修映,等.基于深度学习的机器人疏果前毛桃目标识别方法[J].农机化研究,2023,45(8):183-187

[12] 朱德利,林智健.基于MF-SSD卷积神经网络的玉米穗丝目标检测方法[[J].华南农业大学学报,2020,41(6):109-118

[13] 刘仕良.基于机器视觉的板栗分级设备研究[D].北京:北方工业大学,2005

[14] 展慧,李小昱,王为,等.基于机器视觉的板栗分级检测方法[J].农业工程学报,2010,26(4):327-331

[15] 展慧,李小昱,王为,等.虫眼板栗的图像识别方法研究[J].农机化研究,2010,32(8):121-124

[16] 展慧,李小昱,周竹,等.基于近红外光谱和机器视觉融合技术的板栗缺陷检测[J].农业工程学报,2011,27(2):327-331.345-349

[17] Jiang YJ. Automatic classification of chestnuts based on decision fusion [C]. 2010 3rd International Conference on Computer and Electrical Engineering (ICCEE 2010), IPCSIT vol. 53 (2012)©(2012) IACSIT Press,Singapore,DOI: 10.7763/IPCSIT.2012.V53.No.2.59

[18] 汪小旵,吴忠贤,孙晔,等.基于叶绿素荧光成像技术的番茄苗热害胁迫智能识别方法[J].农业工程学报,2022,38(7):171-179

[19] 金守峰,侯一泽,焦航,等.基于改进AlexNet模型的抓毛织物质量检测方法[J].纺织学报,2022,43(6):134-139

[20] 谢州益,冯亚枝,胡彦蓉,等.基于Res Net18特征编码器的水稻病虫害图像描述生成[J].农业工程学报,2022,38(12):197-206

[21] 张垚鑫,朱荣光,孟令峰,等.改进ResNet18网络模型的羊肉部位分类与移动端应用[J].农业工程学报,2021,37(18):331-338

[22] 曾华福,杨杰,李林红.基于改进ShuffleNet v1的服装图像分类算法[J].现代纺织技术,2023,31(2):23-35

[23] 彭红星,徐慧明,刘华鼐.基于改进ShuffIeNet V2的轻量化农作物害虫识别模型[J].农业工程学报,2022,38(11):161-170

Chestnut Grading Method Based on Improved ShuffleNet

LI Zhi-chen1, LING Xiu-jun1, LI Hong-qiu1, LI Zhi-jun2

1.211169,2.262302,

The traditional chestnut grading method mainly relies on manual or mechanical multi-stage vibrating screens, which not only have low grading accuracy but also easily divide bad chestnuts into good ones. In response to the problems in chestnut grading, a lightweight convolutional neural network was constructed to achieve high-precision automatic grading of chestnuts. Under natural light conditions, a total of 5481 images of high-quality, first-class, qualified, worm-eaten, and moldy chestnuts were captured using a Xiaomi Note9 mobile phone and applied to the training, validation, and testing of convolutional network models. On the basis of learning ShuffleNet, a shallow convolutional neural network Shnet-1 was constructed. Shnet-1 is a chestnut image feature extraction network composed of two convolutional modules and four Shuffles. The feature extraction network connects the Chinese chestnut classifier. The classifier is a multilayer perceptron composed of a global average pooling layer, a hidden layer and an output layer. In order to achieve the maximum accuracy and minimum amount of calculation of chestnut classification, the hyperparameter of Shnet-1 model was optimized. The classification performance of Shnet-1 was compared and analyzed with various deep learning models such as AlexNet, Mnet-1, and ResNet18. The accuracy of applying the shallow convolutional neural network Shnet-1 network model to chestnut grading reaches 98.90%, and the proportion of bad chestnuts being classified as good chestnuts is less than 0.5%. The computational complexity of Shnet-1 is small, with a classification time of 26 ms for chestnut images, and its weight only accounts for 488KB of physical storage capacity. The improved ShuffleNet convolutional neural network model Shnet-1 can quickly and accurately grade chestnuts, providing intelligent decision support for automatic grading of chestnuts.

Chestnut grading;Net

TS736+.4

A

1000-2324(2023)02-0299-09

10.3969/j.issn.1000-2324.2023.02.020

2023-02-28

2023-03-11

国家自然科学基金面上项目(51775270)

李志臣(1970-),男,博士研究生,副教授,主要从事机电一体化研究. E-mail:lzc@jit.edu.cn