第 ４３ 卷 第 ５ 期 中国农机化学报 Ｖｏ

ｌ．４３ Ｎｏ． ５
２０
１２０年 ５月
４２ Ｊ
ｏｕｒ
ｎａｌｏ 中国农机化学报
ｆＣｈｉ
ｎｅｓ
ｅＡｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌＭｅ
ｃｈａｎ
ｉｚａ
ｔｉｏｎ Ｍａｙ２．
０２２
２ 年
０２２

ＤＯＩ：１０．
１３７３３／
ｊｊ．
ｃａｍ．
ｉ
ｓｓｎ．
２０９５－５５５３．
２０２２．
０５．
０２１

基于卷积神经网络的农机图像自动识别研究 ＊
雷雪梅１， 张光强２， 姚旗３， 刘伟渭４， 邱帅５
１．四川化工职业技术学院智能制造学院，四川泸州，
（ ６４６０００；２．国家农业智能装备工程技术研究中心，
１０００８９；３．西北农林科技大学农学院，陕西咸阳，
北京市， ７１２１００；４．西南交通大学机械工程学院，
６１００３１；５．西南大学人工智能学院，重庆市，
成都市， ４００７１５）

摘要：基于农机物联网技术的农机作业监管系统通过采集机 具 图 像 来 判 断 农 业 机 具 类 型 和 作 业 状 态 ，但 是 由 于 图 像 数 据
量大，人工抽查方式工作量大、效率低，难以满足监管识别 需 求。构 建 包 括 播 种 机、翻 转 犁、起 垄 机、深 松 机 和 旋 耕 机 等 类
型的图像数据集，并在 Ｇｏｏｇ
ｌｅ公司的深度学习平台 Ｔｅｎｓ
ｏｒｆ
ｌｏｗ 下对 机 具 图 像 数 据 集 进 行 标 注 和 图 像 预 处 理 。 设 计 针 对
实际监管需求和图像特点的卷积神经网络模型，并通过减少过拟合与提高训练效率对模型进行优化。模型训练 试 验 结 果
５％ ，相 同 试 验 条 件 下，
显示：本文设计的机具识别网络在验证集上的识别率达到 ９８． ｔ－５ 模 型 在 验 证 集 上 的 识 别 率
ＬｅＮｅ
为 ８１％ ，
ＲｅｓＮｅ ８％ ，但是 在 识 别 效 率 上，
ｔ－５０ 模型在验证集上的识别率为 ９８． Ｒｅ ｔ－５０ 模 型 完 成 训 练 需 要 近 ６０ｈ，识
ｓＮｅ
别一张图片需要 ０．
３ｓ，而本文设计的机具识别网络完成训练仅需要 ３０ｈ，识别一张图片只需要 ０．
１ｓ。为进一步验证模型
的实用性，选取 ２００ 张图像进行测试，测得模型对各类机具图像的精确度平均值为 ９８．
４７％ ，召回率平均值为 ９８．
３７％ ，
Ｆ１－
ｃ
ｓｏｅ平均值为 ９８．
ｒ ４１％ ，表明模型具有良好的鲁棒性，实用性良好。
关键词：农机机具；卷积神经网络；图像识别；深度学习
中图分类号：
Ｓ２２ 文献标识码：
Ａ 文章编号：
２０９５－５５５３ （
２０２２）０５－０１４０－０８

雷雪梅，张光强，姚旗，刘伟渭，邱帅 ．基于卷积神经网络的农机图像自动识别研究［
Ｊ］．中国农机化学报，２０２２，４３（
５）：
１４０－１４７
Ｌｅ
ｉＸｕｅｍｅｉ，Ｚｈａｎｇ Ｇｕａｎｇｑｉａｎｇ，Ｙａｏ Ｑｉ，Ｌｉｕ Ｗｅ ｉ，Ｑｉ
ｉｗｅ ｕ Ｓｈｕａ
ｉ．Ｒｅｓｅ
ａｒｃｈ ｏｎ ａｕｔｏｍａｔｉ
ｃｒ ｅｃｏｇｎｉ
ｔｉｏｎ ｏ
ｆａｇｒ
ｉｃｕ
ｌｔｕｒ
ａｌ
ｍａｃｈ
ｉｎｅｉｍａｇｅｂａ
ｓｅｄｏｎｃ ｏｎｖｏｌｕ
ｔｉｏｎａ
ｌｎｅｕ
ｒａｌｎｅ
ｔｗｏｋ［
ｒ Ｊ］．
ＪｏｕｒｎａｌｏｆＣｈ
ｉｎｅｓｅ Ａｇｒ
ｉｃｕｌ
ｔｕｒａｌ Ｍｅｃｈａｎｉ
ｚａｔ
ｉｏｎ，２０２２，４３（５）：
１４０－１４７

计 ［１０－１１］、农 机 路 径 规 划 ［１２］等 都 改 变 了 传 统 的 生 产 方
０ 引言
式，提高了工作 效 率。 基 于 卷 积 神 经 网 络 的 图 像 识 别
目前，以通讯网络和互联网为基础，通过卫 星 定 位 算法 ［１３－１４］是以视觉系统的特征分层机制为 依 据，模 拟
装置、农机作业工况传感器、图像传感器等感知农机 实 神经元之间的连 接 来 自 动 提 取 图 像 特 征，通 过 多 层 迭
时运行状态，实 现 对 农 机 装 备 集 群 作业的智能化识别、 代、特征抽象、最终实现分类识别。经典的卷积神 经 网
定位、
监测和管理的物联网技术得到了快速发展和实践 络结 构，如 ＬｅＮｅ ［ ］
ｔ１５ 、Ａｌ ｔ１６ 等，由 卷 积 层、池 化
ｅｘＮｅ
［ ］

应用 。为了鼓励农户实施农业机械化作业，国家在
１－２］
［
层、全连接层组 成。 卷 积 层 使 用 不 同 的 卷 积 核 提 取 多
多个省份相继展开农机作业补贴。然而在政策实施过程 种图像特征，池 化 层 在 保 留 主 要 信 息 的 同 时 对 特 征 图
中，
存在农机作业质量层次不齐、虚报作业面积、虚报农 进行降维处理，通过多次的卷积—池化连接，提取的图
机补贴等情况，
为了减少这种情况的出现，政府相关部门 像特征从具体的 边 缘 信 息 到 抽 象 的 语 义 信 息，再 经 过
通过无线通讯和网络技术实现监管农机作业质量 ［
３－５］
。 全连接层的迭代，实现分类识别 ［１７－１９］。卷 积 神 经 网 络
利用图像识别技术自动识别农机机具类型和作业
其中， 算法不需要 手 工 提 取 特 征，在 图 像 识 别 ［２０－２１］、语 音 识
状态，能够降低人工抽检强度、加强监管力度、提高系统 别 ［２２－２３］、自然语 言 处 理 ［２４－２５］等 方 向 已 经 有 了 非 常 好
智能化水平，是农机作业监管系统的关键技术之一。 的应用效果。彭明 霞 等 ［２６］采 用 Ｆａ
ｓｔｒＲ－ＣＮＮ 方 法
ｅ
图像识别技术在农业科技方面有着非常广泛的应 对棉花杂草进行 了 识 别，其 平 均 目 标 识 别 准 确 率 达 到
用，如 病 虫 害 识 别 ［
６－７］
、果 实 品 种 识 别 ［
８－９］
、产 量 估 了 ９５．
５％ 。卢伟等 ２７ 采用卷积神经网络方法检测拖拉
［ ］

２０２１ 年 １０ 月 ３０ 日
收稿日期： ２０２２ 年 ３ 月 ２５ 日
修回日期：
＊ 基金项目：中国博士后基金面上资助（ ２０２０Ｍ６８２５０６）；四川省科技计划项目（
１９ＹＹＪＣ０５１３）；国家自然科学青年基金（ ５１７０５４３２）
第一作者：雷雪梅，女，１９９１ 年生，四川泸州人，讲师；研究方向为自动化及控制工程。Ｅ－ｍａ ｌ：１３９２９５８６６７＠ｑｑ．
ｉ ｃｏｍ
第５期 雷雪梅 等：基于卷积神经网络的农机图像自动识别研究 １４１

机驾驶员面部特征，用于识别驾驶员的疲劳状态，其 模 农机机具图像数据集。
型识别准确率为 ９８．
９％ 。孔庆好等
［
以拖拉机运行速
２８］
３ 农机机具图像预处理
１．
度与发动机转速等信息为基础，采用卷积神经网络对拖 与其他研究领 域 的 图 像 数 据 相 比 较，农 机 作 业 环
拉机工况进行了识别检测，其准确率可 以 达 到 ９３．
３％ 。 境较 为 恶 劣，获 取 的 机 具 图 像 质 量 较 差、图 像 背 景 复
然而采用卷积神经网络对农机图像识别报道文献较少。 杂、图像拍摄角 度 存 在 差 异。 图 像 预 处 理 不 仅 可 以 消
本文采用基于 卷 积 神 经 网 络 的 图 像 识 别 技 术，研 除背景、颜色及尺寸差异等噪声的影响，还能 减少网 络
究大量农机机具图像的自动分类方法。 对农机机具图 训练计算量，提 高 算 法 效 率 和 网 络 准 确 率。 本 文 针 对
像进行预处理，构建农机机具图像标注数据集，设计卷 农机机具图像存在的问题，分别进行了图像 裁 剪、图像
积神经网络模型，实现农机机具图像的自动识别。 色彩调整和运动模糊消除 ３ 个方面的图像预处理。
１ 图像裁剪
３．
１．
１ 构建农机机具图像标注数据集
原始机具图像是由不同地区的不同农机作 业监 控
１ 图像收集与整理
１． 装置拍摄获得，因 此 存 在 图 像 尺 寸 差 异。 由 于 神 经 网
本文以农机机 具 图 像 作 为 识 别 对 象，在 农 机 作 业 络采用固定的输 入 节 点，将 机 具 图 像 输 入 给 神 经 网 络
ｎ拍摄一次作业机具图
过程中，车载摄像 头 每 隔 ２ ｍｉ 之前，需要统一 图 像 尺 寸。 本 文 采 用 双 线 性 插 值 法 将
像并通过 ＧＰＲＳ 无线网络上传到监管系统中。通过分 机具图像裁剪为 ６４ 像素 ×６４ 像素。 双线性 插 值法 的
析农业机具作业 图 像，整 理 出 多 种 作 业 背 景 下 的 播 种 核心思想是在 ｘ 与 ｙ 方 向 分 别 进 行 一 次 线 性 插 值 计
机、翻转犁、起垄机、深 松 机 和 旋 耕 机 ５ 种 类 型 的 常 用 算，相比于最邻 近 插 值 的 粗 糙 以 及 双 立 方 插 值 的 计 算
机具图像。构 建 了 容 量 为 ７３９７０ 张 的 农 机 机 具 图 像 量过大，该算法处理效果较稳定、计算难度低。
数据集，其 中，
５５０００ 张 图 像 用 于 构 建 训 练 集，
１８９７０ ２ 图像色彩调整
３．
１．
张图像用于构 建 验 证 集，二 者 互 相 独 立 且 无 重 叠。 每 在训练农机机 具 图 像 识 别 网 络 时，通 过 调 整 机 具
种类型的机具图像数量均按照收集的原始图像比例设 图像的色相、亮度、对 比 度 等 属 性，能 够 使 训 练 后 的 网
置，同时为满足网络输入要求，所有图像尺寸均转换为 络尽 可 能 少 地 受 到 无 关 因 素 的 影 响。 本 文 采 用
６４ 像素 ×６４ 像素大小，表 １ 为数据集中不同机具类型 Ｔｅｎｓｏ
ｒｆｏｗ ＡＰＩ提供的 图 像 预 处 理 函 数 ｂｒ
ｌ ｉｇｈ
ｔ ｓ函
ｎｅ
图像数量的具体分布情况。 数对原始机具 图 像 进 行 处 理。 经 过 图 像 预 处 理，局 部
表 １ 农机机具图像数量分布
ａ））、色 相 差 的 图 像 （图 １（
亮度偏高的图像（图 １（ ｂ））、
Ｔａｂ．
１ Ｑｕａｎ
ｔｉｙｄ
ｔ ｉ
ｓｔｒ
ｉｂｕ
ｔｉｏｎｏ
ｆａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌｍａ
ｃｈｉ
ｎｅｙｉｍａｇｅ
ｒ
对比度低的图像（图 １（
ｃ））等，被 恢 复 为 清 晰 的 农 机 机
样本尺寸（宽 × 高） ｄ），图 １（
具图像（图 １（ ｅ），图 １（
ｆ））。
机具类型 训练集／张 验证集／张
／像素 × 像素

播种机 ２００００ ８０００ ６４×６４

翻转犁 １００００ ３８７０ ６４×６４
起垄机 ６０００ １５００ ６４×６４
深松机 ６０００ １５００ ６４×６４
旋耕机 １３０００ ４１００ ６４×６４
合计 ５５０００ １８９７０ ６４×６４

２ 标注数据集
１． 图 １ 机具图像调整色彩前后对比图
卷积神经网络 算 法 属 于 监 督 分 类，需 要 对 大 量 数 Ｆ
ｉｇ．
１ Ｃｏｍｐａｒ
ｉｓｏｎｏｆｍａｃｈ
ｉｎｅａｎｄｔｏｏ
ｌｉｍａｇｅ
ｓｂｅ
ｆｏｒ
ｅａｎｄ
据集进行标 注。 本 研 究 采 用 Ｔｅｎｓｏ
ｒｆｏｗ 平 台 对 农 机
ｌ ａ
ｆｔｅ
ｒｃｏ
ｌｏｒａｄｕｓ
ｊ ｔｍｅｎ
ｔ

机具图像数据 集 进 行 标 注。 首 先，将 整 理 好 的 训 练 集 ３ 运动模糊消除

和验证集存放在 两 个 文 件 夹 下，每 个 文 件 夹 包 含 前 述
的 ５ 种图像类型，即播种机、翻转 犁、起 垄 机、深 松 机 和
旋耕 机，并 分 别 建 立 对 应 的 文 件 夹 标 签。 然 后，使 用
ｅ
Ｔｎｓ
ｏｒｆ
ｌｏｗ 的 内置函数将每张图片转换成固定长度的
二进制 数 据，其 中 第 一 个 字 节 为 图 像 标 签，剩 余 ６４×
６４×３字节是图像信息。最终，本文将训练集和验证集
分别转换为两个 独 立 的 二 进 制 文 件，得 到 完 成 标 注 的
３．
１．
农机机具图像是在农机作业过程中由车载 摄像 头
拍摄获得，因此 经 常 会 出 现 运 动 模 糊 的 机 具 图 像。 所
谓运动模糊是指拍摄相机和被摄景物之间存在 相对 运
动而造成的图像模糊。模糊图像的处理方法主 要有 图
像超分辨率重构、图 像 增 强、图 像 复 原 ３ 种。 其 中，图
像复原是根据 图 像 退 化 的 先 验 知 识 建 立 一 个 退 化 型，
以该网络为基础，采 用 各 种 逆 退 化 处 理 算 法 逐 步 进 行
１４２ 中国农机化学报 ２０２２ 年

恢复，从而达到改善图像质量的目的。 本文采用了图像复原方法中的维纳滤波算法 对 运
动模糊机具图像进行预处理，将运动模糊的播 种机（图
ａ））、深松 机 （图 ２（
２（ ｂ））、翻 转 犁 （图 ２（
ｃ）），处 理 为 清
晰的农机机具图像（图 ２ ｄ 图 ２ ｅ 图 ２（
（ ）， （ ）， ｆ））。

２ 农机机具图像自动识别算法

１ 卷积神经网络结构
２．
本文设 计 的 卷 积 神 经 网 络 结 构 如 图 ３ 所 示，共 ７
层，包含 ４ 个卷积层和 ３ 个全连接层。 其中，前 ２ 个卷
图 ２ 机具图像去除运动模糊前后对比图
ｉ
Ｆｇ．
２ Ｃｏｍｐａ
ｒｉｓ
ｏｎｏｆｍａｃｈｉ
ｎｅａｎｄｔｏｏ
ｌｉｍａｇｅ
ｓｂｅ
ｆｏｒ
ｅ 积 层 后 面 连 接 池 化 层，最 后 １ 个 全 连 接 层 使 用
ａｎｄａｆｔ
ｅｒｒ
ｅｍｏｖｉ
ｎｇ ｍｏｔ
ｉｏｎｂｌｕ
ｒ Ｓｏ
ｆｔｍａｘ 函数做分类。

图 ３ 卷积神经网络结构
ｉ
Ｆｇ．
３ Ｓ
ｔｒｕｃ
ｔｕｒ
ｅｏｆｃ
ｏｎｖｏ
ｌｕｔ
ｉｏｎａ
ｌｎｅｕ
ｒａｌｎｅ
ｔｗｏ
ｒｋ
若 Ｘｉ 表示卷积神经网络的第ｉ 层特征图，网络输 １２８ 的卷积 核，对 Ｃ３ 层 输 出 特 征 图 做 卷 积，得 到 ２５６
入 Ｘ０ 为 ６４×６４×３ 的原始图像，则卷积层 Ｘｉ 的计算 个 １４×１４ 的特征图，输出给 Ｆ５ 层。Ｆ５ 层采 用 ３８４ 个
过程可描述为 神经元，对 ２５６ 个 １４×１４ 的 特 征 图 进 行 全 连 接 处 理；

Ｘｉ ＝ｆ（∑Ｘｉ－１ ⊗ Ｗｉ ＋ｂｉ） （
１） Ｆ６ 层采用 １９２ 个神经元，对 ２５６ 个 神 经 元 进 行 全 连 接
ｉ
处理； Ｆ７ 层使用 ｓｏ
ｆｔｍａｘ 函 数 将 特 征 向 量 处 理 结 果 分
其中，
Ｗｉ 表 示 第ｉ 层 卷 积 核 的 权 值 向 量 ；运 算 符
为 ５ 类。
号 ⊗ 代 表 卷 积 核 与 第ｉ 层 图 像 或 特 征 图 进 行 卷 积 操
表 ２ 卷积神经网络参数设计
作 ，卷 积 的 结 果 与 神 经 元 偏 移 量 ｂｉ 相 加 ；然 后 通 过 非 Ｔａｂ．
２ Ｄｅ
ｓｉｇｎｏｆｃｏｎｖｏ
ｌｕｔ
ｉｏｎｎｅｕ
ｒａｌｎｅ
ｔｗｏ
ｒｋｐａ
ｒａｍｅ
ｔｅｒ
ｓ
ｘ）得 到 第ｉ 层 的 特 征 图 ，本 文 卷
线 性 的 激 励 函 数 ｆ（ 详细参数
积 神 经 网 络 中 选 用 Ｒｅ 层号 类别
ｌｕ函 数 作 为 非 线 性 激 励 函 数， 特征图数 卷积核大小 步长
它 具 有 收 敛 性 能 好 、计 算 复 杂 度 低 等 特 点 。 常 用 的
Ｃ１ 卷积层 １ ３２ ５×５ １
池 化 方 式 有 平 均 池 化 和 最 大 池 化 ，本 研 究 采 用 了 最
Ｓ１ 池化层 １ ３２ ３×３ ２
大 池 化 法 。 若 Ｘｉ 是 池 化 层 ，则 Ｘｉ 的 计 算 过 程 可 描
Ｃ２ 卷积层 ２ ６４ ５×５ １
述为 Ｓ２ 池化层 ２ ６４ ３×３ ２
Ｘｉ ＝Ｍａｘｐｏ
ｏｌｎｇ（
ｉ Ｘｉ－１） （
２） Ｃ３ 卷积层 ３ １２８ ５×５ １
表 ２ 为卷积神经网络详细设计参数。 Ｃ４ 卷积层 ４ ２５６ ５×５ １

Ｃ１ 层采用了 ３２ 个 ５×５×３ 的 卷 积 核，步 长 为 １， Ｆ５ 全连接层 １ 神经元个数：

３８４
Ｆ６ 全连接层 ２ 神经元个数：
１９２
对输 入 图 像 卷 积 之 后 提 取 出 ３２ 种 特 征，得 到 ３２ 个
Ｆ７ Ｓｏ
ｆｔｍａｘ 层 神经元个数：
６
６０×６０的特征图，再经过 Ｓ１ 层得到 ３２ 个 ２９×２９ 的特
征图。Ｃ２ 层有 ６４ 个 ５×５×３２ 的 卷 积 核，对 第 Ｓ１ 层 ２ 减少过拟合
２．
输出特征图做卷积，得到 ６４ 个 ２９×２９ 的特征图，再经 卷积神经网络 模 型 对 训 练 集 识 别 率 很 高，而 对 于
过 Ｓ２ 层得到 ６４ 个 １４×１４ 的特征图。Ｃ３ 层有 １２８ 个 验证集识别率很 低 的 情 况 称 为 过 拟 合，通 常 是 由 于 模
５×５×６４ 的卷积核，对第 Ｓ２ 层 输 出 特 征 图 做 卷 积，得 型过于复杂，训练数据不足或训练集图像分布 不 均匀。
到 １２８ 个 １４×１４ 的特 征 图；
Ｃ４ 层 使 用 ２５６ 个 ５×５× 本研究采用了增强数据集和模型正则化的方法来 减 少
第５期 雷雪梅 等：基于卷积神经网络的农机图像自动识别研究 １４３

过拟合。 据归一 化 到 ０～１ 之 间，可 以 简 化 计 算，加 快 网 络 收 敛

１ 增强数据集
２．
２． 性能，提高网络 计 算 精 度。 归 一 化 方 法 有 离 差 归 一 化
在本研究中，采用了 ２ 种方法增强数据集：增加数 和标准差归一化，本研究中使用标准差归一化
据集的数量和提高数据集的丰富性。 数据集的丰富性 ｘ －μ
ｘ＊ ＝ （
５）
能够保证模型对不同背景条件的机具图像都有良好的 σ
识别能力。通过采用随机裁剪和垂直翻转的方法来增 式中：μ———所有像素的均值；
大数据集的数量，具体方法如下：首先，在 ６４×６４ 大小 σ———所有像素的标准差。
的图像中心位置和 ４ 个边角等 ５ 个区域分别提取 ６０× 归一化 后 的 图 像 满 足 均 值 为 ０，标 准 差 为 １ 的 标
６０ 区域用作训 练，这 样 将 数 据 集 扩 大 了 ５ 倍；由 于 设 准正态分布。神经网络是以样本在事件中的统 计概 率
备安装方式的不 同，导 致 有 部 分 机 具 图 像 是 上 下 颠 倒 来进行训练和预测的，将数据归一化到 ０～１ 之 间统计
的，为了平衡这部 分 数 据，提 高 模 型 对 其 识 别 能 力，对 概率分布，使得样本所 有 像 素 的 均 值 为 ０，并 且 其 标 准
所有图像进行垂直翻转，在保证数据丰富性的同时，又 差一致，可以提高网络学习速度，加快网络收敛。
将数据集扩大了 ２ 倍。 ２ 多 ＧＰＵ 训练
３．
２．
２ 模型正则化
２．
２． 本文设计的机具识别网络模型需要训练的 参数 有
正则化是降低 模 型 复 杂 度 的 一 种 方 法，通 过 给 损 ２×１０５ ，处理完所有图片需要进行上亿次加乘 运 算，传
失函数加上约束 项 来 对 参 数 引 入 先 验 分 布，控 制 损 失 统的 ＣＰＵ 单线处理需要 ４～５ｄ 的时间才能使模 型 达
函数的优化倾向于选择较小参数的方向。 本文所用的 到收敛，效率太低 不 利 于 修 改 参 数 和 调 整 网 络。ＧＰＵ
Ｌ２ 正则化就是在损失函数后面加一个正则化 项，得 到 计算模块专为处理大规模、高密度浮点数据 而 设 计，其
新的损失函数 带宽大、数据并行计算的优势极大地提高了 运 算速度，
λ 减少了运算时间。本 文 采 用 ２ 块 ＧＰＵ 并 行 运 算 的 方
Ｃ ＝Ｃ０ ＋ ω
２
（
３）
２ｎ ∑
ω 式训练网络模型，如图 ４ 所示。
式中：Ｃ０ ———原始的代价函数；
λ
ω ———正则化项。
２

２ｎ∑
ω

所有参数 ω 平 方 和 除 以 训 练 集 样 本 大 小ｎ，再 乘
以正则系数λ，λ 的作用即是权衡正则项与原始代价函
数Ｃ０ 的比重。按照梯度下降法更新参数的规则，先对
新的损失函数求导，然后得到参数更新值
∂Ｃ ∂Ｃ０
′＝ω －η
ω
∂ω
＝ω － η （
∂ω
λ
＋η ω
ｎ ）
∂Ｃ０
（λ
＝ω １－η －η
ｎ ）∂ω
（４） 图 ４ ＧＰＵ 计算模型
ｉ
Ｆｇ．
４ ＭｏｄｅｌｏｆＧＰＵｃａ
ｌｃｕ
ｌａｔ
ｉｏｎ
４）中可以看出，正则化后的损失函数在更新
从式（
卷积神经网络的训练目标是最小化网络的 损失 函
λ
（ ）
参数时有一个衰减因子 １－η ＜ １，因此 Ｌ２ 正则化
ｎ 数。原始图像经 过 前 向 传 输 后 得 到 预 测 值，使 用 平 方
也称为权重衰 减。 权 重 衰 减 有 ２ 个 作 用：一 是 减 少 了 误差 代 价 函 数 计 算 预 测 值 与 实 际 值 之 间 的 差 异，第 ｎ
不重要特征的影 响，使 模 型 不 至 于 学 习 过 多 特 征 而 导 个样本的误差函数可表示为
ｃ
致泛化能力差；二是在梯度下降的同时，从整体上保证 １ ｎ ｎ ２
Ｅｎ （
Ｗ，ｂ）＝ ∑（
ｔ ｋ －ｙｋ ） （
６）
了模型选择较小的参数，降低了模型复杂度。 ２ ｋ＝１

３ 提高模型训练效率
２． 式中：
ｔｋｎ ———第 ｎ 个样本对应标签的第ｋ 维；
ｙｋ ———第 ｎ 个 样 本 对 应 的 网 络 输 出 的 第 ｋ 个
ｎ
１ 归一化图像
３．
２．
图像归一化是计算机视觉中对数据集预处理的常 输出；
用方法之一，主 要 利 用 图 像 的 不 变 矩 寻 找 一 组 参 数 使 ｃ———分类数目。
其能够消除其他 变 换 函 数 对 图 像 变 换 的 影 响，也 就 是 训练过程中，使用 随 机 梯 度 下 降 方 法 将 ｌ
ｏｓｓ值 反
转换成唯一的标准形式来增强图像的仿射变换。 在卷 向传播，逐层更新网络参数。参数更新规则为
积神经网络算法中，将像素值为 ０～２５５ 的 ＵＮＩＴ 型数
１４４ 中国农机化学报 ２０２２ 年

∂Ｅ （
Ｗ， ｂ） １ ＲＯＣ 曲线与 ＡＵＣ
２．
３．
Ｗｉ ＝Ｗｉ －η （
７）
∂Ｗｉ ＲＯＣ 曲 线 的 横 坐 标 为 假 阳 性 率 （
Ｆａｌ
ｓｅ Ｐｏｓ
ｉｔｉ
ｖｅ
∂Ｅ （
Ｗ， ｂ）
（ Ｒａ
ｔｅ，ＦＰＲ ），纵坐标为真阳性率（ ＴｒｕｅＰｏｓ
ｉｔｉ
ｖｅＲａ ｅ，
ｔ
ｂｉ ＝ｂｉ －η ８）
ｂｉ
∂ ＴＰＲ ），该曲线下各 部 分 的 面 积 求 和 即 为 ＡＵＣ。 在 图
式中： η ———学习率。
ＲＯＣ 曲线能 够 尽 量 降 低 不 同
像识别评价精度指标中，
０１，一 次 训 练 的 数 据 集 大
将初始学习率η 设 为 ０．
测试集带来的干扰，更加客观地衡量网络本身的性能。
小（
ｂａｔ
ｃｈｓ
ｉｚｅ）为 １２８，以 ０ 均值，标准差 ０．
０１ 的 高 斯 分
ＦＰＲ 和 ＴＰＲ 的计算方法分别为
布初始化每层 权 重 Ｗｉ ，神 经 元 偏 置 量 ｂｉ 的 初 始 值 为
ＦＰ
ＦＰＲ ＝ （
９）
０。以 ８ 个 线 程 将 数 据 分 批、独 立 地 分 布 在 ２ 块 ＧＰＵ Ｎ
上，
２ 个 ＧＰＵ 共享模型参数，同步运算。 由于 ＧＰＵ 之 ＴＰ
ＴＰＲ ＝ １０）
（
间传输数据比较慢，计算 得 到 的 参 数 全 部 存 储 在 ＣＰＵ Ｐ
上，并在 ＣＰＵ 上更新所有参数。 式中：Ｐ ———真实的正样本的数量；
Ｎ ———真实的负样本的数量；
３ 试验与分析
ＴＰ ———Ｐ 个正样本中被分类器预测为正样本的
１ 模型训练试验与结果分析
３． 个数；
本 文 网 络 模 型 在 ２ 块 ＮＶＩＤＩＡ ＧｅＦｏ
ｒｃｅ ＧＴＸ ＦＰ ———Ｎ 个负 样 本 中 被 分 类 器 预 测 为 正 样 本
１０８０ＧＰＵ 上训练，迭 代 １０００００ 次 之 后，损 失 函 数 收 个数。
敛到 ０．０１。将本文所建的农机机具图像标注数据集在 ＡＵＣ 可通过对 ＲＯＣ 曲线下各部分的面积求和得
ｔ－５ 和 Ｒｅ
ＬｅＮｅ ｔ－５０ 上 分 别 进 行 训 练，与 本 文 所
ｓＮｅ 到，且 ＲＯＣ 曲 线 是 由 坐 标 为 ｛（ｘ１ ，
ｙ１），（ ｙ２），…，
ｘ２ ，
用机具识别网 络 进 行 对 比，
３个网络的参数配置及训 （ ｙｍ ）}的点按顺序连接而形成，则 ＡＵＣ 的计算为
ｘｍ ，
练结果见表 ３。 １
ｍ－１

表 ３ ３ 种卷积神经网络性能比较
ＡＵＣ ＝
２ ∑ （ｘ
ｉ＝１
ｉ＋１ －ｘｉ）·（
ｙｉ ＋ｙｉ＋１） １１）
（

Ｔａｂ．
３ Ｐｅ
ｒｆｏ
ｒｍａｎｃ
ｅｃｏｍｐａ
ｒｉｓ
ｏｎｏ
ｆｔｈｒ
ｅｅｃ
ｏｎｖｏ
ｌｕｔ
ｉｏｎａ
ｌ 式中：
ｘｉ 、 ＦＰＲ ）、真 阳 性 率
ｙｉ ———上 述 假 阳 性 率 （
ｎｅｕ
ｒａｌｎｅ
ｔｗｏ
ｒｋｓ
ＴＰＲ ）取值。
（
单张图
输入图像 训练时 识别准 ＲＯＣ 曲线经常作为二分类 最 重 要 的 指 标 之 一，对
网络名称 层数 片识别
大小 间／ｈ 确率／％ 于本文多分类，将 ｍ 个 测 试 样 本 （
效率／ｓ ｎ 个类
ｍ ＝２６００），
别（
ｎ＝１３）。在训练完成后，计算出每个测试样本在各
ＬｅＮｅ
ｔ－５ ５ ３２×３２ ６ ８１ ０．
２
Ｒｅ
ｓＮｅ
ｔ－５０ ８ ２２４×２２４ ５８ ９８．
８ ０．
３ 类别下的概率，得到一个［ｍ，ｎ］形状的矩阵 Ｑ ，每一行
本文卷积神经网络 ７ ６４×６４ ３０ ９８．
５ ０．
１ 按类别标签排序，表 示 一 个 测 试 样 本 在 各 类 别 下 概 率
从 表 ３ 的 对 比 结 果 分 析： ｔ－５ 结 构 简 单，网
ＬｅＮｅ 值。相应地，将每 个 测 试 样 本 的 类 别 转 换 为 类 似 二 进
络层数少，输入图 像 小，所 需 训 练 时 间 最 少，但 是 其 识 制的形式，每个位置按标签排序，用来标记是否属 于 对
别准 确 率 较 低，仅 有 ８１％ ，无 法 满 足 实 际 应 用 需 求； 应的类别，由此也可以获得一个［
ｍ，ｎ］的标 签 矩 阵 Ｌ 。
Ｒｅ
ｓＮｅｔ－５０ 网 络 和 本 文 卷 积 神 经 网 络 识 别 准 确 率 均 每种类别下，都可以得到 ｍ 个测 试 样 本 为 该 类 别 的 概
超过 ９８％ ，满足实际应用需求，但 是 Ｒｅ ｓＮｅｔ－５０ 网 络 率（矩阵 Ｑ 中的列）。所以，根据概率矩阵 Ｑ 和标签矩
比较复杂，参数较多，其训练时间需要 ５８ｈ，相比之下， 阵Ｌ 中对应的每一列，可 以 计 算 出 各 个 阈 值 下 的 假 阳
本文的机具识别网络训练时间比较少，只有 ３０ｈ，并且 性率 （ ＴＰＲ ），从 而 绘 制 出 一 条
ＦＰＲ ）和 真 阳 性 率 （
测试一张图片的效率也高于 Ｒｅ ｔ－５０。 综 上 所 述，
ｓＮｅ ＲＯＣ 曲线。这样总共可以绘制出 ｎ 条 ＲＯＣ 曲线。 最
从网络结构与参数、训练时间、识别准确率及效率上来 后对 ｎ 条 ＲＯＣ 曲线取平 均，得 到 最 终 的 ＲＯＣ 曲 线 和
说，本文设计的网络结构适用于农机机具图像识别，可 ＡＵＣ。本次农机机具识 别 网 络 测 试 试 验 中，农 机 机 具
满足实际监管需求。 图像分类的 ＲＯＣ 曲线与 ＡＵＣ 如图 ５ 所示。
２ 模型测试试验与结果分析
３． 在图 ５ 中，试验结果 表 明 ＲＯＣ 曲 线 下 的 ＡＵＣ 均
为了描述网络的 实 际 应 用 性 能，本 文 从 ２０２１ 年 ９ 值为 ９２％ ，且 曲 线 靠 近 左 上 角，说 明 本 文 的 机 具 识 别
月江苏省农机深松作业图像中挑选出 ５ 种机具类型图 网络分类的真阳性率 很 高，分 类 错 误 较 少，该 网 络 对 ５
像各 ２００ 张对模型进行测试，并从召回率、鲁棒性 ２ 个 种机具图像的分类能力符合实际 应 用 需 求；同 时 ＲＯＣ
方面对模型进行评价。 曲线是光滑的，说 明 农 机 机 具 识 别 网 络 训 练 后 没 有 出
第５期 雷雪梅 等：基于卷积神经网络的农机图像自动识别研究 １４５

现太大的过拟合。 ３７％ ，说 明 网 络 对 正 样 本 的
强；召回率的平 均 值 为 ９８．
识别能力很强；
Ｆ１－ｓ
ｃｏｒ ４１％ ，说 明 分
ｅ 的 平 均 值 为 ９８．
类网络对大部分机具类型、作业场景、非机具图 像以 及
光影 干 扰 等 都 能 准 确 识 别，具 有 良 好 的 鲁 棒 性、稳 健
性、实用性较强，满足实际应用的要求。
表 ５ 精确度、召回率和 Ｆ１ 值
Ｔａｂ．
５ Ｐｒｅ
ｃｉｓ
ｉｏｎ，ｒ
ｅｃａ
ｌｌａｎｄＦ１－ｓ
ｃｏｒ
ｅ ％

指标 Ａ Ｂ Ｃ Ｄ Ｅ 平均值

Ｐ １００ ９６．
９４ ９７．
４７ ９８．
９９ ９８．
９７ ９８．
４７
Ｒ ９７．
９５ ９７．
９６ ９８．
９９ ９９．
５０ ９７．
４４ ９８．
３７
图 ５ 农机机具图像 ＲＯＣ 曲线与 ＡＵＣ 图 Ｆ１－ｓ
ｃｏｒ
ｅ ９８．
９６ ９７．
４５ ９８．
２２ ９９．
２４ ９８．
２０ ９８．
４１
ｉ
Ｆｇ．
５ ＲＯＣｃｕ
ｒｖｅａｎｄＡＵＣ ｄｉ
ａｇｒａｍ ｏ
ｆａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌ
ｍａｃｈ
ｉｎｅ
ｒｙａｎｄｔｏｏ
ｌｓ ３ 讨论
２．
３．
２．
３．２ 混淆矩阵和 Ｆ１－ｓ
ｃｏｒ
ｅ 识别错误的机具图像如图 ６ 所示，分析原因如下。
在图像识别评 价 精 度 中，混 淆 矩 阵 主 要 用 于 比 较 １）采集图像时，由于摄 像 头 倾 斜 等 原 因 只 拍 到 机
真实 结 果 和 实 际 预 测 值。 若 Ｍ ［
ｔ，ｐ］表 示 混 淆 矩 阵， 具的一部分导致识别错误，图 ６（ ｆ）和图 ６（ ｇ）将 翻 转 犁
第ｔ 行代表真实 类 别，每 一 行 的 总 数 代 表 该 类 别 的 真 识别为起垄机，图 ６（
ｏ）将旋耕机识别为深松机。
实数量。第 ｐ 列代表 预 测 类 别，每 一 列 的 总 数 表 示 预 ２）机具表 面 存 在 土 壤、秸 秆、人、草 等，遮 挡 了 大
测为该类别的数量；矩阵中的值，实际为ｔ 类的样本被 部分机具，图 ６（
ｌ）和 图 ６（ｍ）将 旋 耕 机 识 别 为 翻 转 犁，
判定为ｐ 类的数量。 图 ６（
ｋ）将深松机识别为起垄机。
Ｆ１－ｓｃｏ
ｒｅ用于评价 分 类 网 络 性 能，它 考 虑 测 试 的 ３）部分机具外形相似，如图 ６（
ｋ）将深松机识别为
精确 度 Ｐ 和 召 回 率 Ｒ 来 计 算 分 数，公 式 如 式 （
１２） 翻转犁，该类型的深松机和翻转犁均为三角 框 架形式，
所示。 差别只在其安装的深松铲。
２×Ｐ ×Ｒ ４）数据集 收 集 不 够 全 面，如 播 种 机 图 ６（ ａ）、图 ６
ｃ
Ｆ１－ｓｏｒ
ｅ＝ １２）
（
Ｐ ＋Ｒ ｂ）、图 ６（
（ ｃ）、图 ６（
ｄ）图 像 均 会 出 现 识 别 错 误，此 种 现
采用农机机具识别网络对测试集的 ５ 类机具图像 象的情况较少，可能是其纹理、颜色比例与其他 机具 相
进 行 测 试 试 验，试 验 结 果 的 可 视 化 混 淆 矩 阵 如 表 ４ 似，所以识别错误。
所示。 上述分析说明，模型仍存在不足之处：当 机具图 像
表 ４ 混淆矩阵 有大面积遮挡或只拍摄到部分机具时，识别能力较弱。
Ｔａｂ．
４ Ｃｏｎ
ｆｕｓ
ｉｏｎ ｍａ
ｔｒｉ
ｘ

Ａ Ｂ Ｃ Ｄ Ｅ

Ａ １９５ １ ２ ０ １
Ｂ ０ １９６ ３ ０ １
Ｃ ０ ２ １９８ ０ ０
Ｄ ０ ０ １ １９９ ０
Ｅ ０ ３ ０ ２ １９５

注：Ａ 表示播种机，
Ｂ 表示翻转犁，
Ｃ 表示 起 垄 机，
Ｄ 表 示 深 松 机，
Ｅ表
示旋耕机。

分别 计 算 机 具 类 别 Ａ～Ｅ 的 精 确 度、召 回 率 和
ｃ
Ｆ１－ｓｏｅ，计算结果 见 表 ５。 其 中，精 确 度 表 示 该 类 别
ｒ
混淆矩阵对角线 的 值 除 以 该 类 别 对 应 列 总 和；召 回 率
表示该类别混淆矩阵对角线的值除以该类别对应行总
和， ｃ
Ｆ１－ｓｏｅ 值作为参 数 指 标 精 确 度 和 召 回 率 的 调 和
ｒ
平均。
在表 ５ 中，农机 机 具 识 别 网 络 在 测 试 集 上 精 确 度 图 ６ 识别错误农机机具图像
４７％ ，说明网络对负样本的区分能力很
的平均值为 ９８． ｉ
Ｆｇ．
６ Ｍｉ
ｓｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎｉｍａｇｅｏ
ｆａｇ
ｒｉｃｕ
ｌｔｕ
ｒｅ ｍａ
ｃｈｉ
ｎｅ
１４６ 中国农机化学报 ２０２２ 年

害图像识别［ Ｊ］．农业工程学报，２０１２，２８（ １１）：１５２－１５７．

４ 结论 ［
８］Ｔ
ａｎ Ｋｅ
ｚｈｕ，Ｃｈ
ａ ａ，Ｓｏｎｇ Ｗｅ
ｉＹｕｈｕ ｉｘｉ
ａｎ，ｅ
ｔａｌ．
Ｉｄｅ
ｎｔｉ
ｆｉ
ｃａｔ
ｉｏｎｏ
ｆ
ｓ
ｏｙｂ
ｅａｎｓ
ｅｅｄｖ
ａｒｉ
ｅｔｉ
ｅｓｂ
ａｓｅ
ｄ ｏｎ ｈｙｐ
ｅｒｓ
ｐｅｃ
ｔｒａ
ｌ ｉｍａ
ｇｅ［
Ｊ］．
１）构建了包括播种机、翻 转 犁、起 垄 机、深 松 机 和
Ｔ
ｒａｎ
ｓａｃ
ｔｉｏｎ
ｓ ｏ
ｆ ｔ
ｈｅ Ｃｈ
ｉｎｅ
ｓｅ Ｓｏ
ｃｉｅ
ｔｙ ｏ
ｆ Ａｇ
ｒｉｃ
ｕｌｔ
ｕｒａ
ｌ
旋耕机 ５ 种类 型 的 农 机 机 具 图 像 标 注 数 据 集，其 中 训
Ｅｎｇ
ｉｎｅ
ｅｒｉ ９）：２３５－２４２．
ｎｇ，２０１４，３０（
练集 ５５０００ 张，验证集 １８９７０ 张，该 数 据 集 可 以 用 于 ９］陶华伟，赵力，奚吉，等 ．基于颜色及纹理特征的果蔬种类
［
研究农机机具的 自 动 识 别、检 测、跟 踪 等 智 能 化 应 用。 识别方法［
Ｊ］．农业工程学报，２０１４，３０（
１６）：３０５－３１１．
针对农机机具图 像 存 在 的 质 量 问 题，分 别 进 行 了 图 像 Ｔａｏ Ｈｕａｗｅｉ，Ｚｈａｏ Ｌ
ｉ，ＸｉＪｉ，ｅ
ｔａｌ．Ｆｒ
ｕｉｔｓａｎｄｖｅｇｅｔ
ａｂｌｅ
ｓ
裁剪、图像色彩 调 整 和 运 动 模 糊 消 除 ３ 个 方 面 的 图 像 ｒ
ｅｃｏｇｎｉ
ｔｉｏｎ ｂａ
ｓｅｄ ｏｎ ｃ
ｏｌｏ
ｒ ａｎｄ ｔ
ｅｘｔｕｒ
ｅｆ ｅａ
ｔｕｒｅｓ ［Ｊ］．

预处理。 Ｔｒａｎｓａｃ
ｔｉｏｎｓ ｏｆｔｈｅ Ｃｈ ｉ
ｎｅｓｅ Ｓｏ
ｃｉｅ
ｔｙ ｏ
ｆ Ａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌ
Ｅｎｇｉｎｅ
ｅｒｉ ， ， （ ）：
ｎｇ ２０１４ ３０ １６ ３０５－３１１．
２）根据实际应用需求和 数 据 特 点，设 计 了 能 够 自
１０］钱建平，李明，杨信廷，等 ．基 于 双 侧 图 像 识 别 的 单 株 苹
［
动识别农机机具的 卷 积 神 经 网 络。 在 ２ 块 ＧＰＵ 上 训 果树产 量 估 测 模 型 ［
Ｊ］．农 业 工 程 学 报，２０１３，２９（
１１）：
练了近 ８００００ 张 机 具 图 像，识 别 准 确 率 超 过 ９８％ ，单 １３２－１３８．
张图片识别 效 率 达 ０．
１ｓ。 训 练 集 和 验 证 集 识 别 率 均 Ｑｉ
ａｎ Ｊ
ｉａｎｐ
ｉｎｇ， Ｌ ｎｇ， Ｙａｎｇ Ｘｉ
ｉ Ｍｉ ｎｔｎｇ，ｅ
ｉ ｔａｌ．Ｙｉ
ｅｌｄ
超过 ９８％ ，说 明网络对环境变化、光影干扰、小区 域 前 ｅ
ｓｔｉｍａｔ
ｉｏｎ ｍｏｄｅ
ｌｏ ｆｓｉｎｇ
ｌｅｔｒｅｅｏｆ Ｆｕ
ｊｉａｐｐｌ
ｅｓ ｂａ
ｓｅｄ ｏｎ

景遮挡具有良好 的 鲁 棒 性，训 练 集 和 验 证 集 样 本 不 重 ｂ
ｉｌａｔ
ｅｒａ
ｌｉｍａｇｅ ｉｄｅｎｔ
ｉｆ
ｉｃａｔ
ｉｏｎ ［Ｊ］．Ｔｒａｎｓ
ａｃｔ
ｉｏｎｓ ｏｆｔｈｅ
Ｃｈｉｎｅ
ｓｅ Ｓｏ
ｃｉｅ
ｔｙｏｆ Ａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌ Ｅｎｇ
ｉｎｅ
ｅｒｎｇ，２０１３，２９
ｉ
叠，说明网络有良好的泛化能力。
（１１）：１３２－１３８．
ｔ－５ 和 Ｒｅ
３）与经典网络 ＬｅＮｅ ｔ－５０ 相比，本
ｓＮｅ
１１］贾洪雷，王刚，郭明卓，等 ．基 于 机 器 视 觉 的 玉 米 植 株 数
［
文设计的农机机具识别网络在保持较高识别准确率与 量获 取 方 法 与 试 验 ［
Ｊ］．农 业 工 程 学 报，２０１５，３１（
３）：
效率的同时，结构 相 对 简 单，参 数 较 少，所 需 训 练 时 间 ２１５－２２０．
较短。 Ｊｉ
ａＨｏｎｇｌ
ｅｉ，Ｗａｎｇ Ｇａｎｇ，Ｇｕｏ Ｍｉ
ｎｇｚｈｕｏ，ｅ
ｔａｌ．Ｍｅ
ｔｈｏｄｓ

４）在训练集和验证集外，随 机 挑 选 ５ 种 类 型 的 图 ａｎｄ ｅｘｐｅ

ｒｉｍｅｎ
ｔｓｏ
ｆ ｏｂ
ｔａｉ
ｎｉｎｇ ｃ
ｏｒｎ ｐｏｐｕ
ｌａｔ
ｉｏｎ ｂａ
ｓｅｄ ｏｎ
ｍａｃｈｉｎｅｖｉｓ
ｉｏｎ ［
Ｊ］．Ｔｒａｎｓ
ａｃｔ
ｉｏｎｓｏｆｔｈｅＣｈｉ
ｎｅｓ
ｅＳｏ
ｃｉｅ
ｔｙｏ
ｆ
像各 ２００ 张作为 测 试 集，设 计 测 试 试 验 验 证 模 型 的 实
Ａｇ
ｒ ｉ
ｃｕ ｌ
ｔｕｒ
ａｌＥｎｇｉｎｅ
ｅｒ ， ， （ ）：
ｎｇ ２０１５ ３１ ３ ２１５－２２０．
ｉ
用性，测得模型 对 各 类 机 具 图 像 识 别 精 确 度 平 均 值 为
１２］张铁民，庄晓霖 ．基于 ＤＭ６４２ 的高地隙小车的田间路径识
［
４７％ ，召回率平均值 为 ９８．
９８． ３７％ ，
Ｆ１－ｓ
ｃｏｒｅ平 均 值 为 别导航系统［
Ｊ］．农业工程学报，２０１５，３１（４）：１６０－１６７．
４１％ ，表明模 型 实 用 性 较 强；并 分 析 了 错 误 识 别 的
９８． Ｚｈ
ａｎｇ Ｔ
ｉ ｎ，Ｚｈｕ
ｅｍｉ ａｎｇ Ｘ
ｉａｏ
ｌｉｎ．
Ｉｄｅ
ｎｔｉ
ｆｉ
ｃａｔ
ｉｏｎａ
ｎｄｎ
ａｖｉ
ｇａｔ
ｉｏｎ
原因。 ｓ
ｙｓｔ
ｅｍ ｏ
ｆｆ ａ
ｒｍｌ
ａｎｄｐａｔｈｆｏｒｈ
ｉｇｈ－ｃ
ｌｅａ
ｒａｎ
ｃｅｖ ｅ
ｈｉｃ
ｌｅｂ
ａｓｅｄｏｎ
综上所述，本文 根 据 农 机 机 具 原 始 图 像 构 建 了 基 ［ ］
ＤＭ６４２ Ｊ ． Ｔ ｒ
ａｎｓ
ａｃｔ
ｉｏｎ
ｓ ｏｆｔ ｈｅ Ｃｈ ｉ
ｎｅｓ
ｅ Ｓｏｃ
ｉｅｔ
ｙ ｏｆ

于卷积神经网络 算 法 的 农 机 机 具 图 像 标 注 数 据 集，设 Ａｇｒ

ｉｃｕｌ
ｔｕｒ
ａｌＥｎｇ
ｉｎｅｅ
ｒｉｎｇ，２０１５，３１（
４）：１６０－１６７．
［ ］
１３ Ｌｅ ，
ｃｕｎ Ｙ Ｂｅｎｇ ｉ ，
ｏ Ｙ Ｈｉ ｎｔ
ｏｎ Ｇ．Ｄｅ ｅｐ ｌ
ｅａｒ
ｎｉｎｇ ［
Ｊ］．
计卷积神经网络结构并训练模型实现了农机机具的自
Ｎａｔｕ
ｒｅ，２０１５，５２１：４３６－４４４．
动识别，能够较好地满足实际应用需求。 ［
１４］Ｓｃｈｍｉｄｈｕｂｅ
ｒＪ．Ｄｅｅｐ ｌ
ｅａｒｎ
ｉｎｇ ｉｎ ｎｅｕ
ｒａｌ ｎｅ
ｔｗｏ
ｒｋｓ： Ａｎ
ｏｖｅｒ
ｖｉ ［ ］
ｅｗ Ｊ ．Ｎｅｕ
ｒａｌＮｅｔｗｏｒ ， ， ：
ｋｓ ２０１４ ６１ ８５－１１７．
参 考 文 献
［
１５］Ｈａｙｋ
ｉｎ Ｓ，Ｋｏ ｓｋｏ Ｂ．Ｇｒａｄ
ｉｅｎ
ｔｂａ ｓｅｄｌ
ｅａｒｎ
ｉｎｇａｐｐｌｉ
ｅｄｔｏ
１］何勇，聂鹏程，刘飞 ．农业物联网与传感仪器研究 进 展［
［ Ｊ］． ｄｏ
ｃｕｍｅｎ
ｔｒｅｃｏｇｎｉｔ
ｉ ［ ］
ｏｎ Ｄ ．Ｗｉ ｌｅｙ－ＩＥＥＥ Ｐｒ
ｅｓ ， ，
ｓ ２００９ ８６
农业机械学报，２０１３，４４（
１０）：２１６－２２６． （１１）：３０６－３５１．
２］李瑾，郭美荣，高 亮 亮 ．农 业 物 联 网 技 术 应 用 及 创 新 发 展
［ ［
１６］Ｋｒｉ
ｚｈｅｖｋｙ Ａ， Ｓｕ
ｓ ｔｓ
ｋｅｖ
ｅｒ Ｉ， Ｈｉｎｔ
ｏｎ Ｇ Ｅ．Ｉｍａ ｅＮｅ
ｇ ｔ
策略［
Ｊ］．农业工程学报，２０１５，３１（ Ｓ２）：２００－２０９． ｃ
ｌａｓｓ
ｉｆ
ｉｃａ
ｔｉｏｎ ｗ
ｉｔｈｄ
ｅｅｐｃｏｎｖ
ｏｌｕ
ｔｉｏｎ
ａｌｎｅｕ
ｒａｌｎ
ｅｔｗｏ
ｒｋ ［ ］
ｓ Ｃ ．
３］刘阳春，苑严伟，张俊宁，等 ．深松作业远程管理系统设计
［ Ｉｎ
ｔｅｒｎａ
ｔｉｏｎａ
ｌＣｏｎｆｅｒ
ｅｎｃｅｏｎＮｅｕｒ
ａ ｌＩｎ
ｆｏｒｍａｔ
ｉｏｎＰｒｏ
ｃｅｓ
ｓｉｎｇ
与试验［
Ｊ］．农业机械学报，２０１６，４７（
Ｓ１）：４３－４８． Ｓｙｓｔ
ｅｍｓ．Ｃｕ ｒｒ
ａｎ Ａｓｓｏ
ｃｉａ
ｔｅｓＩ
ｎｃ． ：
２０１２ １０９７－１１０５．
４］张 晓 东 ．基 于 Ａｎｄ
［ ｒｏｄ的农机深松作业监控与服务系统设
ｉ ［
１７］ＤａｎＣ Ｃ， Ｍｅ
ｉｅｒ Ｕ， Ｇａｍｂａ
ｒｄｅ
ｌｌａ Ｌ Ｍ， ｅ
ｔ ａ
ｌ．
计与实现［ Ｄ］．泰安：山东农业大学，２０１６． Ｃｏｎｖｏ
ｌｕｔ
ｉｏｎａ
ｌｎｅｕ ｒ
ａｌｎｅｔｗｏｒ
ｋｃｏｍｍｉｔ
ｔｅｅｓｆｏｒｈａｎｄｗｒ
ｉｔｔ
ｅｎ
［
５］Ｙ
ｉｎ Ｙａ
ｎｘｎ，Ｍｅ
ｉ ｎｇＺｈ
ｉｊｕｎ，Ｍｅ ｂｏ，ｅ
ｉＨｅ ｔａｌ．Ｓ
ｔｕｄｙｏｎｔ
ｉｌ
ｌｉ
ｎｇ ｃｈａ
ｒａｃ
ｔｅｒｃｌａ
ｓｓｉ
ｆｉｃ
ａｔｉ ［ ］
ｏｎ Ｃ ．Ｉｎ
ｔｅｒ
ｎａｔ
ｉｏｎａｌ Ｃｏｎ
ｆｅｒ
ｅｎｃ
ｅ ｏｎ
ｄｅｔ
ｐｈｄ ｅ
ｔｅｃ
ｔｉｏｎ ｍｅ
ｔｈｏｄ ｂ
ａｓｅｄ ｏｎ ａｔ
ｔｉ
ｔｕｄ
ｅ ｍｅａｓｕ
ｒｅｍｅｎ
ｔｆｏ
ｒ Ｄｏ
ｃｕｍｅｎ
ｔ Ａｎａ
ｌｙｓ
ｉｓ ａｎｄ Ｒｅ
ｃｏｇｎ
ｉｔｏｎ．ＩＥＥＥ， ２０１１：
ｉ
ｓ
ｕｂｓｏｉ
ｌｅ ［ ］
ｒ Ｃ ．Ｎａ ｔ
ｉｏｎ
ａｌ Ｅｎｇｉ
ｎ ｅ
ｅｒｉ
ｎｇ Ｒｅｓｅ
ａｒｃ
ｈ Ｃｅｎｔ
ｅｒｆｏ
ｒ １１３５－１１３９．
Ｉ
ｎｆｏ
ｒｍａ
ｔｉｏｎＴ
ｅｃｈｎｏ
ｌｏｇｙｉ
ｎＡｇ
ｒｉｃ
ｕｌｔ
ｕｒｅ，２０１５． ［
１８］ＳｚｅｇｅｄｙＣ，Ｌ ｉｕ Ｗ，Ｊａ Ｙ，ｅ
ｉ ｔａｌ．Ｇｏｉｎｇ ｄｅ
ｅｐｅｒ ｗｉｔｈ
６］邓继忠，李敏，袁之报，等 ．基于图像识别的小麦腥黑穗病害
［ ｃｏｎｖｏｌｕ
ｔｉｏｎｓ ［
Ｃ］．ＩＥＥＥ Ｃｏｎ
ｆｅｒ
ｅｎｃ
ｅｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉ
ｓｉｏｎ
特征提取与分类［Ｊ］．农业工程学报，２ ０１２，２８（３）：１７２－１７６． ａｎｄＰａ
ｔｔｅ
ｒｎ Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ．
ＩＥＥＥ Ｃｏｍｐｕ
ｔｅｒＳｏ
ｃｉｅ
ｔｙ，２０１５：
７］温芝元，曹乐平 ．基 于 补 偿 模 糊 神 经 网 络 的 脐 橙 不 同 病 虫
［ １－９．
第５期 雷雪梅 等：基于卷积神经网络的农机图像自动识别研究 １４７

１９］Ｂ
［ ｌｕｃｈｅＴ，Ｎｅｙ Ｈ，Ｋｅ
ｒｍｏ
ｒｖａｎ
ｔＣ．Ｆｅ
ａｔｕ
ｒｅｅｘ
ｔｒａ
ｃｔｉ
ｏｎ ｗｉ
ｔｈ ｔｈｅ ２０１６ ｃ
ｏｎｆｅ
ｒｅｎｃｅ ｏｎ ｍａ ｃｈ
ｉｎｅ ｔｒａｎｓ
ｌａｔ
ｉｏｎ ［Ｃ ］．
ｃ
ｏｎｖｏ
ｌｕｔ
ｉｏｎａ
ｌ ｎｅｕ
ｒａｌ ｎｅ
ｔｗｏ
ｒｋｓ ｆ
ｏｒ ｈａｎｄｗｒ
ｉｔｔ
ｅｎ ｗｏ
ｒｄ Ｃｏｎｆ
ｅｒｅｎｃ
ｅｏｎ Ｍａｃｈ
ｉｎｅＴｒａｎｓ
ｌａｔ
ｉｏｎ，２０１６：１３１－１９８．
ｒ
ｅｃｏｇｎｉｔ
ｉｏｎ ［Ｃ］．Ｉｎ
ｔｅｒｎａｔ
ｉｏｎａｌ Ｃｏｎ
ｆｅｒ
ｅｎｃ
ｅ ｏｎ Ｄｏ
ｃｕｍｅｎ
ｔ ２６］彭明霞，夏 俊 芳，彭 辉 ．融 合 ＦＰＮ 的 Ｆａ
［ ｓｔ
ｅｒＲ－ＣＮＮ 复
Ａｎａｌｓ
ｙｉｓａｎｄＲｅｃｏｇｎｉ
ｔｉｏｎ．ＩＥＥＥ，２０１３：２８５－２８９． 杂背景 下 棉 田 杂 草 高 效 识 别 方 法 ［
Ｊ］．农 业 工 程 学 报，
［
２０］Ｈｅ Ｈ，ＳｈａｏＺ，Ｔａｎ Ｊ．Ｒｅｃｏｇｎｉｔ
ｉｏｎ ｏｆｃａｒ ｍａｋｅｓ ａｎｄ ２０１９，３５（２０）：２０２－２０９．
ｍｏｄｅ
ｌｓｆｒｏｍ ａ ｓ
ｉｎｇ
ｌｅｔ
ｒａｆ
ｆｉｃ－ｃ
ａｍｅ ｒ ［ ］
ａ ｉｍａｇｅ Ｊ ．ＩＥＥＥ Ｐｅｎｇ Ｍｉ
ｎｇｘａ，Ｘ
ｉ ｉ
ａＪｕｎｆ
ａｎｇ，Ｐｅ
ｎｇ Ｈｕ
ｉ．Ｅ
ｆｆｉ
ｃｉｅ
ｎｔｒ
ｅｃｏｇｎ
ｉｔｉ
ｏｎ
Ｔｒ
ａｎｓ
ａｃｔ
ｉｏｎｓ ｏｎ Ｉ
ｎｔｅ
ｌｌ
ｉｇｅｎ
ｔ Ｔｒ
ａｎｓｐｏ
ｒｔａ
ｔｉｏｎ Ｓｙ
ｓｔｅｍｓ， ｏｆｃｏ
ｔｔｏｎ ａｎｄ ｗｅ
ｅｄｉ ｎｆｉ
ｅｌｄｂ ａ
ｓｅｄ ｏｎ Ｆａｓ
ｔｅｒ Ｒ－ ＣＮＮ ｂｙ
２０１５，１６（
６）：３１８２－３１９２． ｉ
ｎｔｅｇｒ
ａｔｉｎｇＦＰＮ ［ Ｊ］．Ｔｒａｎｓ
ａｃｔｉｏｎｓｏｆｔｈｅＣｈ ｉｎｅ
ｓｅＳｏ
ｃｉｅ
ｔｙ
［ ］
２１ ＬｉｕＺ ＬｕｏＰ， Ｑｉ
， ｕ Ｓ， ｅｔａｌ．Ｄｅ
ｅｐＦａ
ｓｈｏｎ： Ｐｏｗｅ
ｉ ｒｉｎｇ ｏｆＡｇｒｉｃｕｌ
ｔｕｒａ
ｌＥｎｇ ｉ
ｎｅｅｒ
ｉ ， ， （ ）：
ｎｇ ２０１９ ３５ ２０ ２０２－２０９．
ｒｏｂｕｓ
ｔ ｃ ｌ
ｏｔｈｅ
ｓ ｒ ｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ ａｎｄ ｒ
ｅｔｒ
ｉｅｖａ
ｌ ｗｉｔｈ ｒｉｃｈ ２７］卢伟，胡海阳，王家鹏，等 ．基 于 卷 积 神 经 网 络 面 部 图 像
［
ａｎｎｏｔ
ａｔｏｎｓ［
ｉ Ｃ］．ＩＥＥＥＣｏｎｆｅｒ
ｅｎｃ
ｅｏｎＣｏｍｐｕｔｅｒＶｉ
ｓｉｏｎａｎｄ 识别的拖拉机驾驶员疲劳检测［ Ｊ］．农 业 工 程 学 报，２０１８，
Ｐａｔ
ｔｅｒ
ｎＲｅ ｃｏｇｎ
ｉｔｉｏｎ，２０１６：１０９６－１１０４． ３４（
７）：１９２－１９９．
［
２２］Ｎｏｄａ Ｋ，Ｙａｍａｇｕｃｈ ｉＹ，Ｎａｋａｄａ ｉＫ，ｅ ｔａｌ．Ａｕｄｉ
ｏ－ｖ
ｉｓｕａｌ ｉ，Ｈｕ Ｈａ
Ｌｕ Ｗｅ ｙａｎｇ，ＷａｎｇＪ
ｉ ｉａｐｅｎｇ，ｅ
ｔａｌ．Ｔｒ
ａｃｔ
ｏｒｄ
ｒｉｖｅ
ｒ
ｓｐｅ
ｅｃｈ ｒ
ｅｃｏｇｎｉ
ｔｉｏｎ ｕｓｉｎｇ ｄｅ
ｅｐ ｌｅ
ａｒｎｉ ［ ］
ｎｇ Ｊ ．Ａｐｐ ｌｉｅｄ ｆ
ａｔｉ
ｇｕｅｄｅｔｅ
ｃｔｉ
ｏｎｂａ ｓｅｄｏｎｃ ｏｎｖｏ
ｌ ｕ
ｔｉｏｎｎｅｕｒａ
ｌｎｅｔｗｏｒ
ｋａｎｄ
Ｉｎ
ｔｅｌ
ｌｉｇｅｎｃｅ，２０１５，４２（４）：７２２－７３７． ｆ
ａｃｉ
ａｌｉｍａｇｅｒｅｃｏｇｎ
ｉｔｉｏｎ ［
Ｊ］．Ｔｒ ａｎｓａｃ
ｔｉｏｎｓｏｆｔ
ｈｅ Ｃｈｉｎｅ
ｓｅ
［
２３］Ｂａｈｄａｎａｕ Ｄ，Ｃｈｏ ｒ ｉＪ，Ｓｅ
ｏｗｓｋ ｒｄｙｕｋ Ｄ，ｅ
ｔａｌ．Ｅｎｄ－ｔ
ｏ－ｅｎｄ Ｓｏ
ｃｉｅ
ｔｙｏ
ｆ Ａｇ
ｒｉｃｕ
ｌｔｕ
ｒａｌ Ｅｎｇ
ｉｎｅ
ｅｒｎｇ，２０１８，３４（
ｉ ７）：１９２
ａｔ
ｔｅｎｔ
ｉｏｎ－ｂａｓｅｄｌａ
ｒｇｅｖｏ ｃａｂｕ
ｌａｒ
ｙｓｐｅ ｅｃｈｒ
ｅｃｏｇｎ
ｉｔｏｎ ［
ｉ Ｃ］． －１９９．
ＩＥＥＥＩ ｎｔ
ｅｒｎａ
ｔｉｏｎａ
ｌＣｏｎｆｅｒ
ｅｎｃｅｏｎ Ａｃｏｕｓ
ｔｉｓ，Ｓｐｅ
ｃ ｅｃｈａｎｄ ２８］孔庆好，吐尔逊·买买提，赵 梦 佳 ．基 于 卷 积 神 经 网 络 的
［
Ｓｉｇｎａ
ｌ Ｐｒｏ
ｃｅｓ
ｓｉｎｇ，２０１６：４９４５－４９４９． 拖拉机 工 况 识 别 ［
Ｊ］．中 国 农 机 化 学 报，２０２１，４２（
１１）：
［
２４］ＨｕＢ，Ｌｕ Ｚ，Ｌ ｉ Ｈ，ｅｔａｌ．Ｃｏｎｖｏｌ
ｕｔｉ
ｏｎａｌｎｅｕｒａ
ｌｎｅｔｗｏ
ｒｋ １４４－１５０．
ａ
ｒｃｈ
ｉｔｅ
ｃｔｕ
ｒｅｓｆ
ｏｒｍａ ｔ
ｃｈｎｇｎａ
ｉ ｔｕｒａｌｌ
ａｎｇｕａｇｅｓｅｎ
ｔｅｎｃ
ｅｓ［Ｊ］． Ｋｏｎｇ Ｑｉ
ｎｇｈ
ａｏ，Ｔ
ｕｒｘｕｎ Ｍａ
ｉｍａ
ｉｉ，Ｚｈ
ｔ ａｏ Ｍｅ
ｎｇｉ
ｊａ．Ｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎ
Ａｄｖａｎｃ
ｅｓｉ ｎ Ｎｅｕｒａ
ｌＩｎｆｏｒｍａｔ
ｉｏｎ Ｐｒｏｃ
ｅｓｓ
ｉｎｇ Ｓｙｓ
ｔｅｍｓ， ｏ
ｆｔ ｒ
ａｃｔ
ｏｒ ｗｏ
ｒｋｎｇ ｃ
ｉ ｏｎｄ
ｉｔｉ
ｏｎ ｂａｓ
ｅ ｄ ｏｎ ｃ
ｏｎｖｏｌ
ｕｔｉ
ｏｎａｌｎｅｕｒａ
ｌ
２０１５，３：２０４２－２０５０． ｎｅ
ｔｗｏｒｋ［Ｊ］．
Ｊｏｕｒｎ
ａｌｏｆＣｈ ｉｎ
ｅｓｅ Ａｇｒ
ｉｃｕｌ
ｔｕｒａ
ｌ Ｍｅｃｈａ
ｎｉｚ
ａｔｏｎ，
ｉ
［
２５］Ｂｏｊｒ Ｏ，Ｃｈａ
ａ ｔｔ
ｅｒｅ
ｊｅ Ｒ，Ｆｅｄｅｒｍａｎｎ Ｃ，ｅｔａｌ．Ｆ
ｉｎｄ
ｉｎｇｓｏｆ ２０２１，４２（
１１）：１４４－１５０．

Ｒｅ
ｓｅａ
ｒｃｈｏｎａｕ
ｔｏｍａ
ｔｉｃｒｅｃ
ｏｇｎｉ
ｔｉｏｎｏｆａｒ
ｇｉｃ
ｕｌｔ
ｕ ｒａ
ｌｍａ ｃｈ
ｉｎｅｉｍａ
ｇｅｂａ
ｓｅｄｏｎ
ｃ
ｏｎｖｏｌ
ｕｔｉ
ｏｎａｌｎｅ
ｕｒａｌｎｅｔｗｏｒｋ

Ｌｅ
ｉＸｕｅｍｅ
ｉ１
，ＺｈａｎｇＧｕａｎｇｑ
ｉａｎｇ２ ，ＹａｏＱｉ３ ，Ｌ
ｉｕ Ｗｅ
ｉｗｅ
ｉ４
，Ｑｉ ｉ５
ｕＳｈｕａ
（
１.Ｃｏ
ｌｌｅｇｅｏｆＩｎｔ
ｅｌｌ
ｉｇｅｎｔＭａｎｕｆａｃ
ｔｕｒｉｎｇ，ＳｉｃｈｕａｎＰｏ
ｌｙｔｅｃｈｎｉｃｏｆ Ｃｈｅｍｉｃａ
ｌＩｎｄｕ
ｓｔｒｙ，Ｌｕｚｈｏｕ，６４６０００，Ｃｈｎａ；
ｉ
２.Ｂｅｉｉ
ｊｎｇＩｎｔ
ｅｌｌ
ｉｇｅｎｔＡｇｒ
ｉｃｕｌｔｕｒａｌＥｑｕ
ｉｐｍｅｎｔＴｅｃｈｎｏｌｏｇｙ Ｒｅ
ｓｅａｒｃｈＣｅｎｔ
ｅｒ，Ｂｅｉ
ｊｉｎｇ，１０００８９，Ｃｈｉｎａ；
３.Ｃｏｌｅｇｅｏｆ Ａｇｒ
ｌ ｏｎｏｍｙ，Ｎｏ ｒｔ
ｈｗｅｔＡ ＆ Ｆ Ｕｎ
ｓ ｉｖｅｒ
ｓｉｙ，Ｘｉ
ｔ ａｎｙａｎｇ，７１２１００，Ｃｈ ｎａ；
ｉ
Ｃｏ
４. ｌ
ｌｅｇｅｏｆ Ｅｎｇｉ
ｎｅｅｒ
ｉｎｇａｎｄ Ｔｅｃｈｎｏ
ｌｏｇｙ，Ｓｏｕｔｈｗｅｓ
ｔＪｉａｏｔｏｎｇ Ｕｎｉ
ｖｅｒｓ
ｉｔｙ，Ｃｈｅｎｇｄｕ，６１００３１，Ｃｈｎａ；
ｉ
５.Ｓｃｈｏｏ
ｌｏｆ Ａｒｔｉ
ｆｉｃ
ｉａｌＩｎ
ｔｅｌ
ｌｉｇｅｎ
ｃｅ，Ｓｏｕ
ｔｈ ｗｅｓ
ｔ Ｕｎｉ
ｖｅｒｓｉ
ｔｙ ，Ｃｈｏｎ ｉｎ
ｇｑ ｇ， ４００７１５，Ｃｈｉｎａ）

Ａｂｓ
ｔｒａ
ｃｔ：Ｔｈｅｏｐｅｒａ
ｔｉｏｎｓｕｐｅｒｖ
ｉｓｉ
ｏｎｓｙｓｔｅｍ ｂａ
ｓｅｄｏｎａｇｒ
ｉｃｕｌ
ｔｕｒ
ａｌｍａ
ｃｈｉｎｅ
ｒｙｎｅｔｗｏｒｋ
ｉｎｇｔｅ
ｃｈｎｏｌｏｇｙｃａｎｉｄｅｎ
ｔｉｙｔ
ｆ ｈｅｍａｃｈｉｎｅｔｙｐｅａｎｄ
ｔ
ｈｅｏｐｅｒａ
ｔｉｏｎｓ
ｔａｔ
ｅｂｙｃ ｏｌ
ｌｅｃｔ
ｉｎｇｔｈｅｉｍａｇｅｏｆｔｈｅｍａｃｈ
ｉｎｅｔｏｏ
ｌ．Ｈｏｗｅ
ｖｅｒ，ｗｉｔ
ｈｉｎｃｒ
ｅａｓｅｉｎｔｈｅａｍｏｕｎｔｏｆｉｍａｇｅｄａｔａ，ｍａｎｕａｌｓ
ａｍｐ ｌ
ｉｎｇ
ｉ
ｓｆ ａ
ｃｅｄ ｗｉ
ｔｈｃｈａｌ
ｌｅｎｇｅｓｓｕｃｈａｓｈａｖｉｎｇａｈｅａｖｙｗｏ ｒｋ
ｌｏａｄａｎｄｌｉｔ
ｔｌｅｓｕｐｅｒｖ
ｉｓｏｎ，ｗｈ
ｉ ｉ
ｃｈｄｏｅｓｎｏｔｍｅｅｔｔ
ｈｅｓｕｐｅｒ
ｖｉｓ
ｉｏｎｒｅｑｕ
ｉｒｅｍｅｎ
ｔｓ．Ｉｎ
ｔｈ
ｉｓｐａｐｅ ，
ｒ ｉｍａｇｅｄａｔａｓｅｔｓｉ
ｎｃｌ
ｕｄｉｎｇｓｅｅｄｅ
ｒｔ，ｉｌ
ｔｉｎｇｐｌ ，
ｏｕｇｈ ｅｒ
ａｓｉｎｇ ｍａ
ｃｈｉ ，
ｎｅ ｄｅ
ｅｐｌｏｏ
ｓｅｒａｎｄｒｏ
ｔａｒ
ｙｃｕｌｔ
ｉｖａ
ｔｏｒｗｅｒｅｃ
ｏｎｓｔｒｕｃ
ｔ ，
ｅｄ ａｎｄ
ｔｈｅ ｍａｃｈ
ｉｎｅｉｍａｇｅｄａｔａｓ
ｅｔｓ ｗｅｒ
ｅａｎｎｏ ｔ
ａｔｅｄａｎｄｐ ｒｅｐ
ｒｏｃｅｓｓｅｄｕｎｄｅｒ Ｇｏｏｇ
ｌｅ’ｓｄｅｅｐｌｅａ
ｒｎｉｎｇｐｌ
ａｔｆ
ｏｒｍ Ｔｅｎｓｏｒ
ｆｌｏｗ．Ａ ｃｏｎｖｏｌ
ｕｔｉｏｎａｌ
ｎｅｕｒａｌｎｅ
ｔｗｏｒｋ ｍｏｄｅ
ｌｗａｓｄｅｓｉｇｎｅｄｔｏ ｍｅｅｔｔｈｅａｃ
ｔｕａｌｒｅｇｕｌ
ａ ｔ
ｏｒ ｒｅ
ｙ ｑ ｕ
ｉｒｅｍｅｎｔ
ｓ ａｎｄｉｍａｇｅｃｈａ
ｒａｃ
ｔｅｒ
ｉｓｔ
ｉｃｓ，ａｆ
ｔｅｒｗ ｈ
ｉｃｈｔｈｅ ｍｏｄｅ
ｌ ｗａｓ
ｏｐ
ｔｉｍｉ
ｚｅｄ ｂｙ ｒ
ｅｄｕｃ
ｉｎｇ ｏｖｅ
ｒ－ｆ
ｉｔｔ
ｉｎｇ ａｎｄ ｉｍｐ
ｒｏｖ
ｉｎｇ ｔ
ｒａｉ
ｎｉｎｇ ｅ
ｆｆｉ
ｃｉｅｎｃｙ．Ｔｈｅ ｍｏｄｅ
ｌｔｒ
ａｉｎ
ｉｎｇ ｅｘｐｅ
ｒｉｍｅｎ
ｔｒｅ
ｓｕｌ
ｔｓ ｓｈｏｗｅｄ ｔ
ｈａｔｔ
ｈｅ
ｒｅｃｏｇｎｉ
ｔｉｏｎｒａｔ
ｅｏｆｔ ｈｅ ｍａｃｈ
ｉｎｅｒｅｃ
ｏｇｎｉｔ
ｉｏｎ ｎｅ
ｔｗｏ ｒｋ ｄｅ
ｓｉｇｎｅｄｉ
ｎｔｈ
ｉｓ ｐａｐｅ
ｒｒｅａｃｈｅｄ ９８．
５％ ｏｎｔｈｅｖｅ
ｒｉｆ
ｉｃａ
ｔｉｏｎｓｅ
ｔ．Ｕｎｄｅｒｓ ｉｍｉ
ｌａｒ
ｅｘｐｅｒｉｍｅｎｔａ
ｌｃｏｎｄ
ｉｔｉ ，
ｏｎｓ ｔ ｈｅｒｅｃ
ｏｇｎｉｔ
ｉｏｎ ｒ
ａｔｅｏ ｆ ＬｅＮｅｔ－５ ｍｏｄｅｌａｎｄ ＲｅｓＮｅ
ｔ－５０ ｍｏｄｅ ｌ ｗａ
ｓ ８１％ ａｎｄ ９８． ，
８％ ｒ ｅｓｐｅ
ｃｔｉｖｅ
ｌｙ．
Ｈｏｗｅ
ｖｅｒ，ｉ
ｎｔｅ
ｒｍｓｏ
ｆｒｅ
ｃｏｇｎ
ｉｔｉ
ｏｎｅ
ｆｆｉ
ｃｉｅｎｃｙ，Ｒｅ
ｓＮｅ
ｔ－５０ｍｏｄｅ
ｌｎｅ
ｅｄｅｄｎｅ
ａｒｌ
ｙ６０ｈｏｕ
ｒｓｔ
ｏｃｏｍｐ
ｌｅｔ
ｅｔｈｅｔ
ｒａｉ
ｎｉｎｇａｎｄ０．
３ｓｔ
ｏｒｅ
ｃｏｇｎ
ｉｚｅ
ａｐｉｃ
ｔｕｒｅ，ｗｈ
ｉｌｅｔｈｅ ｍａ
ｃｈｉ
ｎｅｒｅ
ｃｏｇｎｉ
ｔｉｏｎ ｎｅｔｗｏｒｋ ｄｅｓｉ
ｇｎｅｄｉｎｔｈ
ｉｓｐａｐｅ ｒｎｅｅｄｅｄ３０ｈｏｕｒｓｔｏｃ
ｏｍｐ ｌｅ
ｔｅｔｈｅｔｒａ
ｉｎｎｇ，ａｎｄ０．
ｉ １ｓｔ ｏ
ｒ
ｅｃｏｇｎｉ
ｚｅａｐｉ
ｃｔｕｒ
ｅ．Ｉｎｏｒｄｅ
ｒｔｏｆｕｒ
ｔｈｅ
ｒｖｅ ｒｉｆ
ｙｔ ｈｅｐｒ ａ
ｃｔｉｃ
ａｂｉ
ｌｉ
ｔｙｏ
ｆｔ ｈｅ ｍｏｄｅ ，
ｌ ２００ｉｍａｇｅｓ ｗｅ
ｒｅｓｅ
ｌｅｃ
ｔｅｄｆｏ
ｒｔ ｅ
ｓｔｉ ，
ｎｇ ａｎｄｔｈｅａｖｅ
ｒａｇｅ
ａ
ｃｃｕ
ｒａｃｙｏ
ｆｔｈｅｍｏｄｅ
ｌｆｏ
ｒａｌ
ｌｋｉ
ｎｄｓｏ
ｆｍａ
ｃｈｉ
ｎｅａｎｄｔ
ｏｏｌｉｍａｇｅ
ｓｗａ ４７％ ，ｔ
ｓ９８． ｈｅａｖｅ
ｒａｇｅｒ
ｅｃａ
ｌｌｒ
ａｔｅｗａ ３７％ ，ａｎｄｔ
ｓ９８． ｈｅａｖｅ
ｒａｇｅＦ１－
ｃ
ｓｏｒｅｗａｓ９８．４１％ ，ｉ
ｎｄｉ
ｃａｔ
ｉｎｇｔｈａｔｔｈｅ ｍｏｄｅ
ｌｈａｄｇｏｏｄｒ ｏｂｕｓｔ
ｎｅｓｓａｎｄｐｒａ
ｃｔｉ
ｃａｂ
ｉｌｉ
ｔｙ．
Ｋｅｙｗｏ
ｒｄ ：
ｓ ａｇ
ｒ ｉ
ｃｕｌ
ｔｕｒ
ａｌｍａｃｈｉ
ｎｅｒｙａｎｄｔｏｏｌ ；
ｓｃ ｏｎｖｏ
ｌｕｔ
ｉｏｎａｌｎｅｕｒａ
ｌｎｅｔｗｏ
ｒ ；
ｋ ｉｍａｇｅｒ ｅ
ｃｏｇｎ
ｉｔｏｎ；ｄｅ
ｉ ｅｐｌ
ｅａｒ
ｎｉｎｇ