基于聯(lián)合剪枝深度模型壓縮的種子分選方法研究

董 燕，李環(huán)宇，李衛(wèi)杰，李春雷，劉洲峰

（中原工學(xué)院電子信息學(xué)院，河南 鄭州 450007）

種子純度直接影響種子育種和后續(xù)加工產(chǎn)品的質(zhì)量，如種子收獲和貯藏過程中，可能會混入許多雜質(zhì)或雜交種，給農(nóng)業(yè)生產(chǎn)及加工帶來不同程度的經(jīng)濟損失。因此，需要對種子中的雜質(zhì)和雜交種進行分選，以保證農(nóng)作物種子的純度達到市場標(biāo)準(zhǔn)。傳統(tǒng)人工分選方式存在分選效率低、人工成本高等不足，而基于機器視覺的自動分選方法，已經(jīng)成為目前研究的熱點。傳統(tǒng)種子自動分選方法基于手工設(shè)計特征進行圖像表征，如顏色、紋理和形狀等特征，然后選擇分類器如支持向量機（Support vector machine，SVM）、線性判別分析（Linear discriminant analysis，LDA）和人工神經(jīng)網(wǎng)絡(luò)（Artificial neural network，ANN）等來實現(xiàn)種子的分類[1-3]，這類識別需要依賴專業(yè)知識針對不同種子特點設(shè)計特征提取方法，泛化能力和魯棒性較差。

近年來深度學(xué)習(xí)在圖像分類[4]、目標(biāo)檢測[5]及圖像分割[6]等多個領(lǐng)域取得了顯著的效果。其中以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）為代表的深度學(xué)習(xí)模型無需經(jīng)過繁瑣的預(yù)處理、特征選擇等中間建模過程，由數(shù)據(jù)驅(qū)動自動提取一些深層的抽象特征，減少了人工設(shè)計特征的不完備性。許多研究學(xué)者將Vgg[7]、ResNet[8]和GoogleNet[9]等經(jīng)典的CNN 網(wǎng)絡(luò)模型運用到植物病害檢測和農(nóng)作物類型劃分等方面，并取得了比傳統(tǒng)識別方法更好的效果[10-13]。如朱榮勝等[12]構(gòu)建一個簡單的6 層卷積神經(jīng)網(wǎng)絡(luò)用于對正常和異常大豆種子的識別，實現(xiàn)了98.8%的識別準(zhǔn)確率。HUANG 等[13]利用Vgg19和GoogleNet 對玉米種子缺陷進行分類，并分析了2個不同深度的網(wǎng)絡(luò)對玉米缺陷識別性能的影響。……