基于MICS-CoTNet的黑木耳品质分类方法

作     者：徐艳蕾 王琦 翟钰婷 高志远 邢路 丛雪 周阳 XU Yanlei;WANG Qi;ZHAI Yuting;GAO Zhiyuan;XING Lu;CONG Xue;ZHOU Yang

作者机构：吉林农业大学信息技术学院长春130118 

基　　金：吉林省科技发展计划重点研发项目(20230202035NC) 长春市科技局重点科技攻关项目(21ZGN28) 

出 版 物：《农业工程学报》 (Transactions of the Chinese Society of Agricultural Engineering)

年 卷 期：2023年第39卷第5期

页      码：146-155页

摘      要：针对传统黑木耳品质分类效率低,识别准确率不佳等问题,提出一种基于卷积神经网络和Transformer相结合的黑木耳图像品质分类方法。该研究以CoTNet模型为基础网络,设计了MICS-CoTNet黑木耳品质分类网络模型。首先,重新规划CoTNet模型主干特征提取模块的迭代次数,降低模型的计算冗余;其次,提出坐标归一化注意力机制以增强黑木耳图像局部关键特征权重,抑制主体特征干扰;最后,引入MobileNetV2模型中特征提取模块Inverted Block,并优化CoTNet模型核心模块CoT block,增强模型对黑木耳数据的特征提取能力。将MICS-CoTNet模型与EfficientNetV2、NfNet等12种模型进行对比,结果表明,综合模型准确性和轻量性等方面,MICS-CoTNet模型表现最佳。其中,MICS-CoTNet模型在干黑木耳数据中识别准确率可达98.45%,相较标准CoTNet提升5.22个百分点;在鲜黑木耳数据中识别准确率可达98.89%,相较标准CoTNet提升2.60个百分点。MICS-CoTNet模型占用内存为30.98M,相对于原CoTNet模型减少96.57M。将MICS-CoTNet模型部署到Jetson TX2 NX中,实时推理速度为18帧/s。该研究提出的MICS-CoTNet黑木耳品质分类模型识别准确率高,运算速度快,为黑木耳实时品质分级的实际应用提供了理论基础及技术支持。

主 题 词：计算机视觉 深度学习 品质分级 注意力机制 特征提取 

学科分类：0710[理学-生物科学类] 1305[艺术学-设计学类] 13[艺术学] 08[工学] 081104[081104] 0804[工学-材料学] 0901[农学-植物生产类] 081101[081101] 0811[工学-水利类] 0812[工学-测绘类] 

核心收录：

D　O　I：10.11975/j.issn.1002-6819.202212112

馆 藏 号：203121380...