КЛАССИФИКАТОР ИЗОБРАЖЕНИЙ СЕМЯН СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР С ИСПОЛЬЗОВАНИЕМ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ
Аннотация
В настоящей статье рассматривается создание архитектуры сверточной нейронной
сети, классифицирующей изображения сельскохозяйственных культур (в частности пшеницы)
для последующего применения в оптическом сепараторе семян (фотосепараторе). Интерес к
проектированию нейронных сетей классификации изображений в последнее время сильно воз-
рос, что связано как с развитием теории глубоких нейронных сетей, так и возросшей вычисли-
тельной мощностью настольных компьютеров, а также переносом вычислений на графиче-
ские процессоры. Целью статьи является разработка архитектуры нейронной сети позволяю-
щей осуществить разделение входного потока семян пшеницы на два класса: «хорошие» семена
и «плохие» (с изъянами по форме и цвету) семена. Архитектура полученной нейронной сети
является сверточной, так как в отличии от полносвязной, данный класс нейронных сетей в
определенных пределах невосприимчив к изменению масштаба и угла поворота объектов во
входных данных. В работе для формирования обучающей, валидационной и тестовой выборок
использовались изображения семян, полученные с использованием бытовой фотокамеры, что
негативно сказалось на результатах обучения и тестирования нейронной сети относительно
возможного результата применения в реальном фотосепараторе. Архитектура разработан-
ной нейронной сети предварительно оптимизирована для использования на ПЛИС, однако, в
рассмотренном случае не осуществлен переход от значений весовых коэффициентов из типа
данных с плавающей запятой к целочисленному типу, что может привести к снижению точ-
ности работы нейронной сети, при этом позволив значительно уменьшить объем ресурсов
ПЛИС. Применение предложенной архитектуры позволяет получить достаточно точную
оценку классифицируемых семян пшеницы по верификационным и тестовым наборам данных.
Литература
from engl. Moscow: Tekhnosfera, 2005, 1073 p.
2. Anderson T.W., Goodman L.A. Statistical inference about Markov chains, The Annals of Mathematical
Statistics, 1957, pp. 89-110.
3. Vagis A.A. Protsedura raspoznavaniya na bayesovskikh setyakh, Komp'yuternaya matematika,
2010, No. 2, pp. 124-130.
4. LeCun Y. et al. Gradient-based learning applied to document recognition, Proceedings of the
IEEE, 1998, Vol. 86, Issue 11, pp. 2278-2324.
5. Gu J. et al. Recent advances in convolutional neural networks, Pattern Recognition, 2018,
Vol. 77, pp. 354-377.
6. Srinivas S. et al. A taxonomy of deep convolutional neural nets for computer vision, Frontiers
in Robotics and AI, 2016, Vol. 2, pp. 36.
7. Glorot X., Bengio Y. Understanding the difficulty of training deep feedforward neural networks,
Proceedings of the thirteenth international conference on artificial intelligence and statistics,
2010, pp. 249-256.
8. He K. et al. Delving deep into rectifiers: Surpassing human-level performance on imagenet
classification, Proceedings of the IEEE international conference on computer vision, 2015, pp.
1026-1034.
9. LeCun Y. et al. Backpropagation applied to handwritten zip code recognition, Neural computation,
1989, Vol. 1, Issue 4, pp. 541-551.
10. Boureau Y.L. et al. Learning mid-level features for recognition, 2010 IEEE Computer Society
Conference on Computer Vision and Pattern Recognition. IEEE, 2010, pp. 2559-2566.
11. Scherer D., Müller A., Behnke S. Evaluation of pooling operations in convolutional architectures
for object recognition, International conference on artificial neural networks. Springer,
Berlin, Heidelberg, 2010, pp. 92-101.
12. Boureau Y.L., Ponce J., LeCun Y. A theoretical analysis of feature pooling in visual recognition,
Proceedings of the 27th international conference on machine learning (ICML-10), 2010,
pp. 111-118.
13. Krizhevsky A., Sutskever I., Hinton G.E. Imagenet classification with deep convolutional neural
networks, Advances in neural information processing systems, 2012, pp. 1097-1105.
14. Maas A.L., Hannun A.Y., Ng A.Y. Rectifier nonlinearities improve neural network acoustic
models, Proc. icml., 2013, Vol. 30, Issue No. 1, pp. 3.
15. Zeiler M.D. et al. On rectified linear units for speech processing, 2013 IEEE International
Conference on Acoustics, Speech and Signal Processing. IEEE, 2013, pp. 3517-3521.
16. Kalman B.L., Kwasny S.C. Why tanh: choosing a sigmoidal function, [Proceedings 1992]
IJCNN International Joint Conference on Neural Networks. IEEE, 1992, Vol. 4, pp. 578-581.
17. Marra S., Iachino M.A., Morabito F.C. Tanh-like activation function implementation for highperformance
digital neural systems, 2006 Ph. D. Research in Microelectronics and Electronics.
IEEE, 2006, pp. 237-240.
18. Cortes C., Mohri M., Rostamizadeh A. L2 regularization for learning kernels, arXiv preprint
arXiv:1205.2653, 2012.
19. Tikhonov A.N. O nekorrektnykh zadachakh lineynoy algebry i ustoychivom metode ikh
resheniya [On ill – posed linear algebra problems and a stable method for solving
them], DAN SSSR [Reports of the Academy of Sciences of USSR], 1965, Vol. 163, No. 3,
pp. 591-594.
20. Kingma D.P., Ba J. Adam: A method for stochastic optimization, arXiv preprint
arXiv:1412.6980, 2014.
21. Wang J. et al. Design flow of accelerating hybrid extremely low bit-width neural network in
embedded FPGA, 2018 28th International Conference on Field Programmable Logic and Applications
(FPL). IEEE, 2018, pp. 163-1636.
