《表3 卷积层感受野数量对模型性能的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的油茶籽完整性识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:a、b、c、d分别指第1～4层卷积层感受野数量，e指全连接层节点数。

卷积层通过不同尺寸感受野对图像进行卷积操作，提取图像局部特征，是卷积神经网络中最重要的组成部分，因此卷积层的设置对模型性能起着至关重要的作用。CO-Net是从零开始独立训练，在只有1层卷积层时，模型训练准确率和收敛速度均最低，模型性能随着卷积层层数增加而提升，但提升速度越来越慢，当卷积层数量为4时，模型性能甚至优于5层卷积层（图11），由此可见保证模型具有一定深度是必要的，但模型深度也不是越深越好，最终确定CO-Net卷积层层数为4层。为加快模型训练速度、降低模型训练时间，本文对卷积层感受野数量进行调整，结果如表3所示。结果表明减少模型感受野数量不仅可以减小模型规模，更重要的是可以大幅降低模型训练时间。子模型1与子模型3相比，模型规模由40.60 MB减少为8.47 MB，训练时间由4.30 h减少为1.16 h，而测试准确率基本保持不变，原因是卷积层拥有大量卷积操作，需要消耗大量时间，减少感受野数量可以减少卷积操作，降低模型训练时间。此外，本文还将传统卷积层替换为深度可分离卷积层，结果如表4所示，深度可分离卷积层可以有效减少模型参数量以达到压缩模型的效果和减少模型计算量以达到加快模型训练的效果。当模型第2、3层卷积层替换为深度可分离卷积层后，模型规模由原来的8.47 MB进一步减小为1.65 MB，模型训练时间减少一半而模型精度仅轻微下降，使其更适合在嵌入式系统上使用，可以用于硬件配置较低的分选设备。实际使用时，应当根据软硬件条件，挑选适合实际生产的模型。