·922· 智能系统学报 第15卷 2000 4.4实验结果与分析 1800 1600 4.4.1配置ResNet18的IGL-CNN模型 1400 1200 将GL-CNN模型中的两个分支均设置为 1000 800 ResNet1:8。局部的茶叶叶片信息分为边缘、中间 600 和前后端3类，实验中选择了7种组合作为第 400 200 2个分支的输入。表2给出了这7种输入对应的 黄观音 丹性 分类准确率，可见全局信息与边缘信息融合的策 略取得了96.68%的最高分类准确率。 茶叶品种 表2配置ResNet18的IGL-CNN模型的分类准确率 图49种茶叶品种的鲜茶叶叶片图像数目 Table 2 Classification accuracies of IGL-CNN mode with Fig.4 Numbers of fresh tealeaf images of nine kinds of teas ResNet18 组合编号 输人的图像局部信息 分类准确率/% 1 边缘信息 96.68 2 边缘信息+中间信息 96.59 (a)黄观音 (b)瑞香 (c)百岁香 3 中间信息 96.27 4 边缘信息+前后端信息 95.04 (d北斗 (e)丹桂 (①茗科一号 5 中间信息+前后端信息 94.63 6 边缘信息+中间数据+前后端信息 93.91 7 前后端信息 92.25 (g)奇兰 (h)肉桂 (①水仙 图5预处理后的9个品种的鲜茶叶叶片图像 4.4.2配置ResNet50的IGL-CNN模型 Fig.5 Images of fresh tealeafs of nine kinds of teas after 将IGL-CNN模型中的两个分支均设置为 preprocessing ResNet:50。为了与配置ResNet18的IGL-CNN模 4.3训练过程 型进行最优分类准确率的对比，将配置ResNet50 将7330张叶片图像数据按7：3的比例划分为 的IGL-CNN模型的第2个分支的输入设置为图 训练集和测试集。在IGL-CNN模型中，第1个 像边缘信息。实验结果表明其分类精度为96.36%， ResNet模型的输入为整个叶片图像，用于提取叶 低于对应配置ResNet18的IGL-CNN模型的分类 片图像的全局特征，第2个ResNet模型的输入为 准确率96.68%。这表明对于7330张叶片图像数 叶片图像块，即图3所示的3组叶片图像块中的 据集，18层的网络已足够深。如果希望在配置 组或者多组，用于提取叶片图像的局部特征。 ResNet50的IGL-CNN模型上取得更好的分类准 IGL-CNN模型中全连接层的输出设为9维矢量， 确率，7330张叶片图像数据集小了，需要更大的 以适应9类茶叶品种。 数据集。 使用随机梯度下降方法训练模型。为客观比 4.4.3单分支CNN模型 较网络模型和训练机制对分类准确率的影响，对 为验证两分支并行卷积神经网络相较于单分 实验中的超参数进行统一处理，超参数的具体值 支卷积神经网络的优越性，对单分支CNN模型进 如表1所示： 行了实验。第1次实验将单分支设为ResNet18 表1超参数值 模型，第2次实验将单分支设为ResNet5:0模型， Table 1 The values of hyperparameters 第3次实验将单分支设为VGG16模型，第4次实 参数类型 参数值 验将单分支设为AlexNet模型。 Lr(学习率) 103 综合以上3类实验结果，可得到以下结论。 I)当IGL-CNN模型的输人是整个叶片图像 Weight_decay(权重衰减) 10￥ 信息与图像边缘信息时取得96.68%的最高分类 Momentum(动量) 0.9 准确率； Epoch(回合数) 50 2)当IGL-CNN模型的输入是整个叶片图像 Batch size(批样本大小) 30 信息与图像中间信息时，分类准确率为96.27%，黄观音 瑞香 百岁香 北斗 丹桂 茗科1号 奇兰 肉桂 水仙 0 200 400 600 800 1 000 1 200 1 400 1 600 1 800 2 000 数量 茶叶品种 图 4 9 种茶叶品种的鲜茶叶叶片图像数目 Fig. 4 Numbers of fresh tealeaf images of nine kinds of teas (a) 黄观音 (d) 北斗 (g) 奇兰 (h) 肉桂 (i) 水仙 (e) 丹桂 (f) 茗科一号 (b) 瑞香 (c) 百岁香 图 5 预处理后的 9 个品种的鲜茶叶叶片图像 Fig. 5 Images of fresh tealeafs of nine kinds of teas after preprocessing 4.3 训练过程 将 7 330 张叶片图像数据按 7:3 的比例划分为 训练集和测试集。在 IGL-CNN 模型中，第 1 个 ResNet 模型的输入为整个叶片图像，用于提取叶 片图像的全局特征，第 2 个 ResNet 模型的输入为 叶片图像块，即图 3 所示的 3 组叶片图像块中的 一组或者多组，用于提取叶片图像的局部特征。 IGL-CNN 模型中全连接层的输出设为 9 维矢量， 以适应 9 类茶叶品种。 使用随机梯度下降方法训练模型。为客观比 较网络模型和训练机制对分类准确率的影响，对 实验中的超参数进行统一处理，超参数的具体值 如表 1 所示： 表 1 超参数值 Table 1 The values of hyperparameters 参数类型 参数值 Lr(学习率) 10−3 Weight_decay(权重衰减) 10−4 Momentum(动量) 0.9 Epoch(回合数) 50 Batch_size(批样本大小) 30 4.4 实验结果与分析 4.4.1 配置 ResNet18 的 IGL-CNN 模型 将 IGL-CNN 模型中的两个分支均设置为 ResNet18。局部的茶叶叶片信息分为边缘、中间 和前后端 3 类，实验中选择了 7 种组合作为第 2 个分支的输入。表 2 给出了这 7 种输入对应的 分类准确率，可见全局信息与边缘信息融合的策 略取得了 96.68% 的最高分类准确率。 表 2 配置 ResNet18 的 IGL-CNN 模型的分类准确率 Table 2 Classification accuracies of IGL-CNN mode with ResNet18 组合编号 输入的图像局部信息 分类准确率/% 1 边缘信息 96.68 2 边缘信息 + 中间信息 96.59 3 中间信息 96.27 4 边缘信息 + 前后端信息 95.04 5 中间信息 + 前后端信息 94.63 6 边缘信息 + 中间数据 + 前后端信息 93.91 7 前后端信息 92.25 4.4.2 配置 ResNet50 的 IGL-CNN 模型 将 IGL-CNN 模型中的两个分支均设置为 ResNet50。为了与配置 ResNet18 的 IGL-CNN 模 型进行最优分类准确率的对比，将配置 ResNet50 的 IGL-CNN 模型的第 2 个分支的输入设置为图 像边缘信息。实验结果表明其分类精度为 96.36%， 低于对应配置 ResNet18 的 IGL-CNN 模型的分类 准确率 96.68%。这表明对于 7 330 张叶片图像数 据集，18 层的网络已足够深。如果希望在配置 ResNet50 的 IGL-CNN 模型上取得更好的分类准 确率，7 330 张叶片图像数据集小了，需要更大的 数据集。 4.4.3 单分支 CNN 模型 为验证两分支并行卷积神经网络相较于单分 支卷积神经网络的优越性，对单分支 CNN 模型进 行了实验。第 1 次实验将单分支设为 ResNet18 模型，第 2 次实验将单分支设为 ResNet50 模型， 第 3 次实验将单分支设为 VGG16 模型，第 4 次实 验将单分支设为 AlexNet 模型。 综合以上 3 类实验结果，可得到以下结论。 1) 当 IGL-CNN 模型的输入是整个叶片图像 信息与图像边缘信息时取得 96.68% 的最高分类 准确率； 2) 当 IGL-CNN 模型的输入是整个叶片图像 信息与图像中间信息时，分类准确率为 96.27%， ·922· 智 能 系 统 学 报 第 15 卷