基于深度学习的芒果自动质量分级：方法与见解
计算机视觉与模式识别
2020-11-24 v1
摘要
芒果的质量分级对种植者而言是一项关键任务，因其极大影响收益。然而时至今日，该过程仍依赖人力劳作，而人工易疲劳且易出错。为弥补此缺陷，本文采用多种卷积神经网络（CNN）——计算机视觉中久经考验的深度学习技术——来处理分级任务。所涉及的模型包括 Mask R-CNN（用于背景去除）、ImageNet 挑战赛的诸多往届冠军（即 AlexNet、VGG 系列与 ResNet 系列），以及受多任务学习在分类任务中所谓益处启发而自定义的一类卷积自编码器-分类器（ConvAE-Clfs）。本工作还通过使用 ImageNet 预训练权重采用了迁移学习。除详述预处理技术、训练细节与所得性能外，我们更进一步借助显著图与主成分分析（PCA）对模型工作机制提供可解释的见解。这些见解简明而有意义地窥探了复杂的深度学习黑箱，有助于建立信任，并且也可在真实应用场景中呈现给人工以复核分级结果。
引用
@article{arxiv.2011.11378,
title = {Deep Learning for Automatic Quality Grading of Mangoes: Methods and Insights},
author = {Shih-Lun Wu and Hsiao-Yen Tung and Yu-Lun Hsu},
journal= {arXiv preprint arXiv:2011.11378},
year = {2020}
}
备注
Accepted to ICMLA 2020; 8 pages, 8 figures, 3 tables