基于空洞卷积神经网络的毒株胚蛋裂纹分割

针对工厂机械设备的噪声和振动、胚蛋蛋壳表面的污斑和裂纹大小、光源打光方式会对裂纹检测产生严重影响,提出一种基于密集空洞卷积模块(DACM)与空洞空间金字塔池化结构(ASPP)的卷积神经网络(CNN)分割方法分割胚蛋裂纹。采用编码器-解码器网络结构与密集连接的空洞卷积结合,增强空间信息表示并重建不同尺度目标信息;同时,在网络浅层引入ASPP,获取多尺度特征,增强细节信息,提高网络分割性能。结果表明:在自制毒株胚蛋顶部裂纹与侧面裂纹数据集上,该方法的平均交并比(MIoU)分别达到了74.2%与81.3%,具有较强的鲁棒性。

卷积神经网络在毒株胚蛋分类中的应用

目前用于培养禽流感疫苗的SPF鸡蛋的成活性检测主要依靠人工方式,且检测效率低,无法满足市场需求.针对此问题,本文应用卷积神经网络对鸡蛋品质进行类型识别,采用3层卷积模型并添加Batch Normalization层(BN层).实验考察了BN层和卷积层数对网络性能的影响,结果显示,加入BN层的3层卷积模型的识别率达到98%,且网络收敛较快.