[INPA论文] 结合MobileNetV1和深度可分离卷积瓶颈扩展进行鱼眼新鲜度分类
文摘
科学
2024-10-28 09:46
北京
Combining MobileNetV1 and
Depthwise Separable convolution bottleneck with Expansion for classifying the
freshness of fish eyes
Eko Prasetyoa,b，Rani Purbaningtyasa，Raden Dimas Adityoa，Nanik Suciatib，Chastine FatichahbaDepartment of Informatics,
Engineering Faculty, Universitas Bhayangkara SurabayabDepartment of Informatics,
Faculty of Intelligent Electrical and Informatics Technology, Institut
Teknologi Sepuluh Nopember
|
https://doi.org/10.1016/j.inpa.2022.01.002
鱼类因其独特的风味和高营养含量，对全球经济和贸易做出了重大贡献。目前，一些供应商可能出售不新鲜的鱼，这些鱼在不同的温度下用冰储存。由于体积庞大、成本高昂、时间紧迫，人们几乎不可能用检测器来识别鱼的新鲜度。因此，需要一种能够快速、方便地自动识别鱼的新鲜度而不破坏它的系统，使用基于图像的视觉系统通过处理图像中的视觉特征可以达到无损新鲜度分类的目的。由于视觉外观的限制，该系统使用鱼的眼睛，皮肤和尾巴来确定其新鲜度，本文重点研究了基于眼睛外观的鱼类新鲜度分类系统。
1.提出了深度可分离卷积瓶颈扩展(DSC-BE)来生成区分新鲜和不新鲜的特征；2.提出残差过渡(RT)来桥接当前的特征映射和跳过连接特征；3.提出了由MobileNetV1,DSC-BE和RT构成的MobileNetV1 with Bottleneck and Expansion (MB-BE)网络结构。提出带扩展的深度可分离卷积瓶颈 （DSC-BE），该技术是卷积技术的瓶颈和扩展，以提高特征质量和用非线性函数生成更详细的特征。它是由深度可分离卷积(DSC)通过卷积特征映射来组织的，使用瓶颈乘数(BM)比率以获得更少的特征映射。进一步，对特征映射进行重新卷积，将特征映射扩展到原始大小。该技术还将BM作为常量引入，以确定具有性能权衡和模型大小的瓶颈级别。该概念有效地提高了分类和目标检测的特征质量。
残差过渡，CNN架构通常使用池化来桥接不同大小的层之间的特征映射。这种技术只在一个特征映射作为输入时使用。同时，过渡块涉及到前一层的映射和跳过连接等特征。本研究确定了残差过渡(RT)，以桥接一些特征映射从一个卷积块到另一个使用不同的大小。使用深度卷积和连接将前一个块的特征映射与当前块合并，然后使用点向卷积从一个当前块大小更改到下一个当前块大小。
带有瓶颈和扩展的MobileNetV1 （MB-BE），本研究提出了一种具有瓶颈和扩展的MobileNetV1 (MB-BE)，使用部分部件作为主干网，DSC-BE作为附加层;利用该模型生成鱼的特征和眼睛，并减少参数的数量。无论是类内还是类外，由于视觉特征的不足，很难区分鱼眼睛的新鲜度。在MB-BE体系结构中，利用DSC-BE生成合适的特征对鱼眼新鲜度进行分类。进一步研究DSC-BE的深度，根据鱼眼新鲜度分类得到模型的卷积深度配置。
图3 带有瓶颈和扩展（MB-BE）的MobileNetV1
本研究比较了MB-BE在利用FFE数据集对鱼眼新鲜度进行分类方面的性能，如表1所示。鱼眼鲜度分类的样品结果如表2所示。表1 MB-BE在利用FFE数据集对鱼眼新鲜度进行分类方面的性能
综上所述，本研究实验了深度可分离卷积瓶颈扩展(DSC-BE)，利用瓶颈卷积提高特征质量，并利用扩展卷积生成更详细的特征。利用残差转移(RT)代替池化和跳过连接，解决了残差块之间的特征映射转换问题。实验结果表明，MobileNetV1 with Bottleneck and Expansion (MB-BE)对鱼眼新鲜度的相对分类准确率高达63.21%，优于MobileNetV1、MobileNetV2、VGG16、Nasnet Mobile、Densenet等模型。该模型被Resnet50超越，准确率为84.86%。但是，ResNet50使用的参数比MB-BE多了大约7倍。MB-BE是基于眼睛的鱼类新鲜度分类的新技术。进一步的研究需要分离种数和新鲜度来获得模型的最佳性能。
引用格式：
Prasetyo,
E, Purbaningtyas, R., Adityo, R. D., Suciati, N., & Fatichah, C. Combining MobileNetV1 and Depthwise Separable convolution bottleneck with
Expansion for classifying the freshness of fish eyes. Information Processing in
Agriculture, 2022, 9(4), 485-496.
《农业信息处理(英文)》，创刊于2014年，由中国农业大学主办，李道亮教授主编，已被ESCI、EI、Scopus、DOAJ、中国科学引文数据库(CSCD)等数据库检索。2019年入选《中国科技期刊卓越行动计划》之高起点新刊项目，2020年入选中国农林核心期刊（A类）目录，2023年正式被ESCI(Emerging Sources Citation Index)收录，2023年度首个影响因子7.7，Q1区。《WJCI报告》学科排名位居全球TOP5%或学科排名TOP3，影响因子7.908。2023年Citescore为21.1，在林学领域排名第2，在水生科学领域排名第3，在农学作物科学领域排名第3，在动物科学与动物学领域排名第4，在计算机科学及应用领域排名第15。主要刊载最新信息技术在农业的应用，包括：农业物联网、农业人工智能和大数据、农业机器人、农业能源与控制、农业供应链与管理、空间信息技术、信息技术在现代农业工程的应用和其他农信息化技术。推文投稿：欢迎INPA作者/农业信息领域学者，撰写发表的/感兴趣的INPA论文公众号推文，一同打造INPA微信公众号精彩内容。纪尚一，s20233081809@cau.edu.cn鲁娜，B20233080715@cau.edu.cn
