科研之友
微信
新浪微博
Facebook
分享链接
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。
- 单位
