6、基于深度学习的蛇皮果图像分类方法探究

基于深度学习的蛇皮果图像分类方法探究

1. 深度学习模型构建

在本次研究中，将开发卷积神经网络（CNN）以及两种迁移学习模型，即 VGG16 和 ResNet50。所有模型都将使用蛇皮果数据集进行训练和测试，以选出准确率最高的模型。

1.1 CNN 模型

构建的 CNN 模型使用 2 个卷积层、2 个池化层、1 个扁平化操作符和 2 个全连接层来生成所需输出。具体步骤如下：
1. 输入大小为 (224 × 224 × 3) 的图像。
2. 将图像输入到 2 组卷积层和池化层中。
3. 将输出扁平化处理为一维数据。
4. 将一维数据输入到 2 个隐藏层，最后进入输出层。
5. 全连接层使用 relu 作为激活函数，分类器的输出层使用 softmax 作为激活函数。由于蛇皮果数据集有 4 个类别，所以最终输出有 4 个节点。

1.2 VGG16 模型

在 VGG16 模型中，冻结卷积基础模型，解冻顶层。添加两个全连接层，单元数分别为 2048 和 1048，输出层单元数为 4，用于表示类别输出。

1.3 ResNet50 模型

ResNet50 模型同样冻结卷积基础模型，解冻顶层。添加两个全连接层，单元数分别为 2048 和 1048，输出层单元数为 4，用于表示类别输出。

2. 实验设置

2.1 数据集

蛇皮果数据集共有 1000 张彩色图像，分为 4 个类别（Pondoh 蛇皮果、Affinis 蛇皮果、Gading 蛇皮果和 Sideempuan 蛇皮果），每个类别有 2