智能反馈认知方法识别青梅品质

《农业工程学报》2017年第33卷第23期刊载了合肥工业大学李帷韬、曹仲达、朱程辉、陈克琼、王建平、刘雪景和郑成强的论文——“基于深度集成学习的青梅品质智能反馈认知方法”。该研究由流程工业综合自动化国家重点实验室开放课题基金项目（项目号：PAL-N201605）等资助。

目前水果品级的自动分级方法中，人工筛选模式不仅劳动强度大，而且受主观因素影响，认知效果难以令人满意；基于计算机视觉技术的机器筛选模式，则在分类性能上难以达到好的效果。

青梅是一种具有多重保健功能的药食两用资源。为满足快速发展的青梅产业的需求，该文探索采用一种智能反馈认知方法来达到识别青梅品质的目的。

在机器学习领域，卷积神经网络(CNNs)是相对成功的深度学习模型，但其网络架构往往试凑给定，而对其不确定的认知结果，常用的后验统计认知方法无法满足实时性要求。该文借鉴控制理论中的反馈思想，提出了智能反馈认知方法，在自适应构建CNNs网络架构的同时，可降低认知结果的不确定性。

为验证青梅品级智能反馈认知模型的有效性，对1 008 幅青梅图像进行了试验。

试验结果表明，与其他算法相比，该文提出的基于ASCNNs 和集成RVFL分类器的青梅品级智能反馈认知算法，可增强特征空间的泛化能力以及认知结果的鲁棒性，青梅品级的平均识别率达到98.15%±2.8%，具有较高的实用价值。

对于相似青梅样本，虽然该文算法较其他算法的运行时间稍长，但识别率更优，可以较好地替代人工筛选，认知效果令人满意。