基于迁移学习番茄品质分级的研究应用

作者：阮子行; 黄勇^*; 王梦; 马博; 代丹丹

来源：包装与食品机械, 2023, 41(02): 41-47.

• AlexNet
• 迁移学习
• 品质分级
• 番茄
• 优化算法

为解决手工分拣番茄存在劳动力浪费，分选质量得不到保证等问题，采用基于迁移学习的方式训练微调后的AlexNet网络，对常见的6种番茄进行品质分级研究；并探究不同优化算法和初始学习率对模型训练精度的影响，以及AlexNet网络卷积层对不同番茄所激活的区域。以迁移学习的方式进行训练的AlexNet模型，测试识别精度达到97.70%，相较于AlexNet、GoogLeNet、MobileNet-V2、NasNet-Mobile、ShuffleNet、SqueezeNet 6种模型，测试精度提高0.38%～14.54%，并且训练时间、收敛速度、图片识别时间、损失值都表现较好。SGDM优化算法比Adam算法、RMSprop算法在训练时间上分别提高37.7%和38.9%；验证精度提高5.5%和3.97%；测试精度提高7.39%和4.46%。当学习率为0.000 1时，模型收敛较快，且收敛稳定后损失较低，SGDM的优化算法和0.000 1的粗略学习率更适合模型。研究结果为番茄分级研究提供理论支持。

• 单位
  新疆农业大学; 机电工程学院; 新疆工程学院