論文の概要: An Improved Neural Network Model Based On CNN Using For Fruit Sugar
Degree Detection
- arxiv url: http://arxiv.org/abs/2311.11120v1
- Date: Sat, 18 Nov 2023 17:07:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 10:16:47.302238
- Title: An Improved Neural Network Model Based On CNN Using For Fruit Sugar
Degree Detection
- Title(参考訳): 果実糖度検出のためのCNNに基づくニューラルネットワークモデルの改良
- Authors: Boyang Deng, Xin Wen, and Zhan Gao
- Abstract要約: 可視/近赤外(V/NIR)領域における果実のスペクトルに基づいて,ニューラルネットワークを用いた果実糖度回帰モデルを構築した。
我々はまた、低層が多層パーセプトロン(MLP)、中層が2次元相関行列層、高層が複数の畳み込みニューラルネットワーク(CNN)層からなる新しいニューラルネットワーク構造を提案した。
- 参考スコア(独自算出の注目度): 24.07349410158827
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Artificial Intelligence(AI) widely applies in Image Classification and
Recognition, Text Understanding and Natural Language Processing, which makes
great progress. In this paper, we introduced AI into the fruit quality
detection field. We designed a fruit sugar degree regression model using an
Artificial Neural Network based on spectra of fruits within the
visible/near-infrared(V/NIR)range. After analysis of fruit spectra, we
innovatively proposed a new neural network structure: low layers consist of a
Multilayer Perceptron(MLP), a middle layer is a 2-dimensional correlation
matrix layer, and high layers consist of several Convolutional Neural
Network(CNN) layers. In this study, we used fruit sugar value as a detection
target, collecting two fruits called Gan Nan Navel and Tian Shan Pear as
samples, doing experiments respectively, and comparing their results. We used
Analysis of Variance(ANOVA) to evaluate the reliability of the dataset we
collected. Then, we tried multiple strategies to process spectrum data,
evaluating their effects. In this paper, we tried to add Wavelet
Decomposition(WD) to reduce feature dimensions and a Genetic Algorithm(GA) to
find excellent features. Then, we compared Neural Network models with
traditional Partial Least Squares(PLS) based models. We also compared the
neural network structure we designed(MLP-CNN) with other traditional neural
network structures. In this paper, we proposed a new evaluation standard
derived from dataset standard deviation(STD) for evaluating detection
performance, validating the viability of using an artificial neural network
model to do fruit sugar degree nondestructive detection.
- Abstract(参考訳): 人工知能(AI)は画像分類・認識、テキスト理解、自然言語処理に広く応用され、大きな進歩を遂げている。
本稿では,果実品質検出分野にAIを導入した。
可視/近赤外(V/NIR)領域における果実のスペクトルに基づいて,ニューラルネットワークを用いた果実糖度回帰モデルを構築した。
低層は多層パーセプトロン(mlp)、中間層は2次元相関行列層、高層は複数の畳み込みニューラルネットワーク(cnn)層からなる。
本研究では,果実糖を検出対象として,Gan Nan Navel と Tian Shan Pear という2種の果実を試料として,それぞれ実験を行い,実験結果を比較した。
ANOVA(Analytic of Variance)を用いて収集したデータセットの信頼性を評価した。
次に、スペクトルデータを処理する複数の戦略を試し、その効果を評価した。
本稿では,特徴量を削減するためにウェーブレット分解(WD)と,優れた特徴を見つけるために遺伝的アルゴリズム(GA)を加えようとした。
次に,従来の部分最小二乗(pls)モデルとニューラルネットワークモデルを比較した。
また,我々が設計したニューラルネットワーク構造(mlp-cnn)を従来のニューラルネットワーク構造と比較した。
本稿では,検出性能を評価するためのデータセット標準偏差(std)に基づく新たな評価基準を提案し,人工ニューラルネットワークモデルを用いた果実糖度非破壊検出の有効性を検証する。
関連論文リスト
- Provable Identifiability of Two-Layer ReLU Neural Networks via LASSO
Regularization [15.517787031620864]
LASSOの領域は、ファッショナブルで強力な非線形回帰モデルである2層ReLUニューラルネットワークに拡張される。
LASSO推定器はニューラルネットワークを安定的に再構築し,サンプル数が対数的にスケールする場合に$mathcalSstar$を識別可能であることを示す。
我々の理論は、2層ReLUニューラルネットワークのための拡張Restricted Isometry Property (RIP)ベースの分析フレームワークにある。
論文 参考訳(メタデータ) (2023-05-07T13:05:09Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳(メタデータ) (2022-09-26T17:59:58Z) - Parameter Convex Neural Networks [13.42851919291587]
本研究では,ある条件下でのニューラルネットワークのパラメータに関して凸である指数的多層ニューラルネットワーク(EMLP)を提案する。
後期実験では,指数グラフ畳み込みネットワーク(EGCN)を同じアーキテクチャで構築し,グラフ分類データセット上で実験を行う。
論文 参考訳(メタデータ) (2022-06-11T16:44:59Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳(メタデータ) (2022-04-11T23:24:03Z) - Why Lottery Ticket Wins? A Theoretical Perspective of Sample Complexity
on Pruned Neural Networks [79.74580058178594]
目的関数の幾何学的構造を解析することにより、刈り取られたニューラルネットワークを訓練する性能を解析する。
本稿では,ニューラルネットワークモデルがプルーニングされるにつれて,一般化が保証された望ましいモデル近傍の凸領域が大きくなることを示す。
論文 参考訳(メタデータ) (2021-10-12T01:11:07Z) - Implementing a foveal-pit inspired filter in a Spiking Convolutional
Neural Network: a preliminary study [0.0]
我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。
このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。
ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
論文 参考訳(メタデータ) (2021-05-29T15:28:30Z) - Modeling the Nonsmoothness of Modern Neural Networks [35.93486244163653]
ピークの大きさの和(SMP)という特徴を用いて不滑らかさを定量化する。
この非平滑性機能は、ニューラルネットワークの回帰ベースのアプリケーションのためのフォレンジックツールとして利用される可能性があると考えます。
論文 参考訳(メタデータ) (2021-03-26T20:55:19Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳(メタデータ) (2020-12-31T18:53:25Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳(メタデータ) (2020-06-29T17:59:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。