基于迁移学习和特征融合的猪肋骨种类判断研究

为了快速鉴别猪肋骨种类,从而选取最佳的育种猪进行繁殖改良,提高食用猪的肉质及体长,试验进行了猪肋骨种类判断(多肋骨/非多肋骨)研究,即首先制作出猪肋骨图像数据集,然后通过迁移学习和特征融合方法对猪肋骨数据图像进行训练、验证、测试和评估,并且与深度学习方法VGG16、AlexNet、MobileNetV2、DenseNet、InceptionV3进行对比分析,最后通过热力图展示特征响应部位与强弱。结果表明:基于迁移学习和特征融合的猪肋骨种类判断算法能够提取到关键信息,与深度学习方法比较其准确率、损失值、均方根误差、精确率、召回率和平衡F分数均为最优,分别为0.994,0.028,0.078,0.994,0.976,0.985。说明在图像识别过程中,引入迁移学习和特征融合可以提取并融合关键部位的特征信息,提高鉴别能力。

基于双线性池化的实蝇分类注意力网络

实蝇是国内外备受关注的检疫害虫,种类繁多。不同种类的实蝇外形大小相似,不易鉴别。此外,在实际应用中,鉴别实蝇的可用信息会受遮挡、视角、光影变幻等因素影响,导致实蝇自动识别工作难以进行。提出基于双线性池化的实蝇分类注意力网络,用于学习有效的实蝇鉴别特征。该网络由显著性特征模块和跨层双线性模块两个部分组成:显著性特征模块通过对不同卷积层进行滤波增强处理,实现特征增强;跨层双线性模块基于双线性池化融合特征,确定注意部位,挖掘判别特征。在具有自然环境背景的实蝇数据集上进行的实验表明,该方法效果较好,具有良好的实际应用前景。