基于残差神经网络的鸡蛋分类识别研究

第一天发财

探究残差神经网络(residual network，ResNet)对不同种类鸡蛋的分类效果，明确深度学习应用存在智能鸡蛋巡检装置的可行性，为家禽养殖智能化进程提供新思路，并为鸡蛋分类研究提供数据支撑。【方法】在鸡舍实地取样，采用自适应矩估计优化器(adaptive moment estimation，Adam)以微调最后1层、微调所有层和重新训练所有层3种迁移学习策略分别训练，并通过调整模型权重参数及改变学习率的方式训练出最佳分类模型。【结果】得到识别准确率高达98.971%的鸡蛋分类模型。计算出模型在数据集上的各类评估指标，并借助混淆矩阵及语义特征降维可视化，分析出鸡蛋分类识别中易被误判的类别及语义。该模型部署后实时性良好，满足实际需求。【结论】鸡蛋的分类识别中光照条件是关键影响因素，应尽可能使鸡舍光照稳定均衡。针对六类鸡蛋，微调所有层并调整学习率参数为0.6可得最佳模型，其在鸡舍场景下分类效果优良，尤其是颜色语义，应用于智能鸡蛋巡检装置，可有效降低人力成本。后续研究中应注重畸形蛋及软壳蛋的记录，为进一步优化提供数据支撑。