基于深度神经网络与稀疏真值从图像估计质量

监督学习是回归与分类任务的主力方法，但标准方法假定每次测量都有真值。在现实应用中，因成本限制或具体应用导致根本不可行的情况十分常见。在农业应用背景下，产量监测便是这样一个例子：基于简单物理的测量（如体积或冲击力）曾被用于量化质量流，但因传感器标定而产生误差。通过利用带有梯度聚合的半监督深度学习与图像序列，本文得以在复杂数据结构与稀疏真值下准确估计物理量（质量）。使用视觉系统捕获甘蔗提升机图像，并以受控测试中的运行竹子作为收割甘蔗的替代材料，仅用最终载荷重量训练 DNN，即可从图像准确预测质量。该 DNN 成功将细长杆随机堆叠的复杂密度物理内化为质量预测模型的一部分，并超越了旧有的基于体积的质量预测方法。此外，通过 DNN 架构与惩罚项引入系统物理知识，获得了预测精度与稳定性的提升以及更快的学习速度。研究表明，经典非线性回归优化可借助某种独立性假设以聚合项重构，从而实现上述效果。由于任一运行的图像数量过大而无法装入典型 GPU 显存，本文给出了一种弥补有限内存但仍实现快速训练的实施方案。本文方法可推广至谷物联合收割机或其他收割机的产量监测等基于视觉或其他仪器的应用。