文章编号：1673-887X(2023)09-0102-03
基于深度学习的食用菌分类研究
官
飞，许
韬
（福建林业职业技术学院智能制造系，福建
南平
353000）
摘
要
在介绍基于传统提取特征的食用菌分类方法基础上，通过利用卷积神经网络对食用菌进行深度分类的过程，阐述了
基于深度学习的食用菌分类方法。试验数据证明深度学习方法在食用菌分类任务上取得了较高的准确率，明显优于传统的提取特征图像识别分类方法。关键词
食用菌分类；图像识别；卷积神经网络；深度学习法
中图分类号
S759.81
文献标志码
A
doi:10.3969/j.issn.1673-887X.2023.09.035
Classification of Edible Fungi Based on Deep Learning
Guan Fei,Xu Tao
(Department of Intelligent Manufacturing,Fujian Forestry Vocational and Technical College,Nanping 353000,Fujian,China)Abstract ：On the basis of introducing the classification method of edible fungi b
ased on traditional feature extraction,the process of deep classification of edible fungi by using convolutional neural network is expounded.The classification method of edible fungi based on deep learning is proved by experimental data to achieve high accuracy in the classification task of edible fungi,which is ob ‐viously superior to the traditional feature extraction image recognition and classification method.
Key words ：edible fungi categorize,image recognition,convolutional neural network,deep learning method
食用菌具有重要的经济价值和食用价值，准确快速地识别和分类食用菌对于保证食品安全和推动产业发展具有重要意义。但由于食用菌种类繁多，且很多有毒菌与无毒菌形态相似，传统的提取特征图像识别分类方法主要依赖人工观察和鉴别，不仅耗时、耗力，而且准确性受限于专家经验。因此，对食用菌进行准确的分类至关重要。近年来，随着计算机技术的不断发展，深度学习方法在图像识别等领域取得了显著进展，为食用菌的自动分类提供了新的思路。本文将结合深度学习方法来进一步探讨食用菌分类新方法，并与食用菌传统分类法进行对比，以使人们能快速准确地对食用菌进行分类。
1基于传统提取特征的食用菌分类方法
基于传统提取特征的食用菌分类方法主要是在对已有
特征进行分析的基础上，提出的一种基于图像特征的提取方法。目前的传统提取特征分类法只是利用局部二值模式LBP （Local Binary Patterns ）[1]
特征和支持向量机SVM （Support Vector Machin ）分类器的方法[2]，在食用菌分类任务中实现一定程度的分类。但这种方法[3]仍然受限于手动特征提取的局限性，无法充分利用图像中的信息。本文以选择局部二值模式LBP 作为特征提取方法[4]为例，介绍传统的提取特征图像识别分类方法。具体步骤如下。
1.1
图像预处理
图像预处理需要对图像进行预处理，以提高图像质量并减少计算复杂度。建立如式（1）所示的扩散函数式。
g ()∇u t =
()k 1
-∇u i
×()∇u i +k 2
1+
|
|∇u t
2
k 3
.（1）
式中，
k 1、k 2和k 3为不同的梯度阈值；u t 为图像噪声估计参数，
∇u t 为图像梯度。函数g ()
||∇u t 是一个扩散函数，函数求解结果即为扩散
强度，一般情况下g ()
||∇u t 是非负光滑单调下降函数其中，k 1、k 2和k 3表示不同的梯度阈值。
1.2特征提取
本项目拟采用LBP 对可食用真菌进行特征提取。LBP 特征提取是一种纹理特征提取方法，通过将食用菌像素点的邻域像素值与该像素点的值进行比较，来构建新的二值图像。对整个图像重复此过程，计算直方图作为食用菌的特征。1.3
分类器
在提取了食用菌图像中的LBP 特征之后，利用支持向量机SVM （Support Vector Machin ）作为分类器来对特征进行分类。SVM 是一种监督学习模型，通过寻最大间隔超平面对数据进行分类。
2基于深度学习的食用菌分类方法
深度学习是一种基于多层网络的食用菌图像特征的自
动学习方法[5]，克服了传统的基于人工特征提取方法的局限。
收稿日期2023-06-22
基金项目基于数字图像技术的食用菌分类研究（JAT191253）。作者简介官
飞（1984-），男，福建人，硕士研究生，研究方向：
图像处理。
理论研究第9期（总第405期）
102
本项目拟利用卷积神经网络CNN（Convolutional Neural Net-works）对食用菌进行深度分类[6]。
卷积神经网络的局部特征提取、权重共享特性以及池特性使其能够从图像中有效地提取局部特征。CNN由多个卷积层、池化层和全连接层组成，用正向传播和反向传播算法来训练[7]。为了适应食用菌分类任务，使用VGG16的网络结构，食用菌图像采用ReLU激活函数和交叉熵损失函数优化模型[8]。激活函数见图1。
1.0
0.8
0.6
0.4
0.2
-10-5510（a）singmoid函数
10
8
6
4
2
-10-5510
（b）Relu函数
正则化项鲁棒性
4
3
2
1
-4-224
（c）LeakyRelu函数
y
x
图1激活函数
Fig.1Activation function
在本研究中，采用CNN作为基于深度学习的食用菌分类方法。CNN特别适用于图像分类任务的神经网络结构，可以自动学习图像特征并进行分类。以下是具体步骤。
L SSIM()z,x=1-1N∑p=11SSIM()p.（2）式中：N为图像中像素的个数；p为像素块的中间像素值。
2.1数据预处理
与传统方法相似，本文提出的新的食用菌图像检测方法主要包括图像的缩放、归一化和数据增强。首先，对蘑菇图像进行尺度调整，使其与CNN模型输入尺度相匹配；其次，通过归一化助于加快模型的收敛速度；最后，通过旋转、翻转、剪切等数据增强方式增加模型的泛化能力。
2.2CNN模型构建
CNN模型构建包括构造卷积层、激活函数、池化层、完全连接层、输出层、输出层。其中，卷积层主要完成对蘑菇图像局部特征的提取。在激励函数中引入了非线性项，提高了模型的表现力，在此基础上，提出了一种基于稀疏表示的稀疏表示方法。完全连接层将前一种特征向输出空间映射，然后在输出层中给出最后的类别概率分布。一个典型的卷积层、激活函数、池化层，最终与整个连接层和输出层相连。
2.3测试与评估
在训练与验证过程完成后，使用测试集评估模型的最终性能。通过准确率指标，可以对模型在食用菌分类任务上的性能进行定量评估。
3实验分析与数据对比
为了评估新旧两种分类法在食用菌分类上的性能，收集了一个包含来自不同环境和光照条件下（以增加试验的泛化能力）多个食用菌种类（如香菇、金针菇、平菇、杏鲍菇、黑木耳等）的图像数据集。为了保证数据集的质量，通过裁剪、缩放和旋转等对图像进行了预处理，使图像具有相同的尺寸和分辨率。数据集包含3000张食用菌图像，每种食用菌各300张。将数据集划分为训练集、验证集和测试集，其中验证数
据集包含300张食用菌图像，用于调整模型参数和防止过拟合；测试集包含600张食用菌图像，用于评估模型在未知数据上的性能；训练集包含2100张食用菌图像，用于训练模型。食用菌数据集检测结果见图
2。
图2食用菌数据集检测结果
Fig.2Results of edible fungi data set
在传统的提取特征图像识别分类方法中，对图像进行预处理后，先利用LBP提取图像的特征，然后利用SVM对其进行分类。
在深度学习方法中，采用一种经典的CNN结构（见图3）进行操作。该网络先通过一个训练集合来训练，
再通过另一个验证集合来评价该网络的性能。使用随机梯度下降算法进行学习，在训练过程中，通过监控验证集上的性能来调整学习率、正则化项等超参数优化模型。
5×5conv,64,stride=2
5×5conv,128,stride=2，IN
5×5conv,256,stride=2，IN
5×5conv,512,stride=2，IN
conv,1
least squares loss
图3网络结构
Fig.3Network structure
实验结果表明：深度学习方法在食用菌分类任务上取得了较高的准确率，明显优于传统的提取特征图像识别分类方法。
传统方法和深度学习方法在总体准确率以及各个类别（如类别A、类别B等）准确率上的情况见表1。
表1传统方法和深度学习方法在食用菌分类任务上的性能对比Tab.1The performance of LBP feature extraction and SVM classifier compared with deep learning method in edible fungi classification task
单位：%方法
传统方法
深度学习方法
总体
准确率
78
95
类别A
准确率
74
93
类别B
准确率
80
97
类别C
准确率
82
96
类别D
准确率
75
92%
类别E
准确率
78
94由表1可知，传统方法在测试集上的准确率为78%，而深度学习方法的准确率达到了95%；深度学习方法在各个类别上的分类性能也均优于传统方法。试验结果表明：深度学习方法在食用菌分类任务上有较高的准确率、更强的泛化能
（下转第106页）
理论研究
第9期（总第405期）农业技术与装备103
进一步加强各项操作规程，将育苗放在工厂中，对土地进行
机械耕整，确保移栽播种能机械化处理，保证机械采收顺利。3.4
建立岷县生态高效栽培模式
建立高山蔬菜新品种、新技术生产示范机制，集成示范项目研究的生态安全高效生产技术成果，重点示范筛选的新品种、工厂化育苗及生态高效栽培模式[3]。根据蔬菜物流和贮存保鲜产业的发展，制订适宜高效的运输、分级、贮藏、保鲜技术规程，以保证蔬菜生产质量。研究旱作蔬菜垄沟栽培技术，对缓效肥和有机肥等肥料进行综合应用，尽量提高化肥的效率，保证化肥在蔬菜上的残留少，确保生物农药安全使用。选择适合的机械化耕种技术和水肥精准管理技术，采取适宜于岷县的病虫害绿防控方法，保证贮藏和销售等环节无阻碍，确保高原夏菜生产质量更加优质，保持轻简和高效，有效提高生态生产模式的效率。3.5
建设安全高效生产支撑体系
根据岷县高原夏菜种植情况，建设质量监控体系。为了保证高原夏菜生产基地的产品符合国家绿蔬菜生产产地环境质量和农产品质量标准，在产地设立检测监控点，进行产地环境动态变化监测及产品质量安全检测，加强技术服务体系建设，依托科技特派员和三区人才服务，建立技术服务、培训示范、规模
化开发、品牌培育、流通营销、产学研结合等功能于一体的蔬菜产业科技服务体系，在示范乡（镇）建立培训站，培训、指导农民进行高山蔬菜生态高效生产[4]。3.6
依托项目推广新品种新技术应用
依托政府项目支撑，积极推广应用新品种新技术的应用。安排专业人员成立研究实施小组，负责该项目技术指导、资金管理等实施工作[5]。安排专业技术顾问负责研究各种技术问题，并要求研究实施小组的成员参与新品种培育的每一个种植环节，和新技术引进的每一个管理环节，以确保
该项工作顺利实施和完成。要加强项目工作总结，通过高原夏菜新品种新技术的应用，对每一个菜种的不同品种进行测产，形成一套完整的测产数据，认真总结每个蔬菜新品种的特征特性，是否适合大面积推广种植，要做出详细的分析。同时，要强化项目资金监管，遵照财政部、农业农村部《农业发展资金使用管理办法》和《甘肃省农业生产发展资金管理办法实施细则》的要求，切实加强项目资金的使用管理，做到专款专用，不得虚报、套取、挤占、挪用、滞留补贴资金，保障资金安全有效。
4结语
岷县高原夏菜产业的健康持续发展需要解决的问题较
多，应根据产业实际情况提供技术支撑。岷县对优良的蔬菜新品种进行培育，选择适应的品种作为高原
夏菜，以保证岷县种植的高原夏菜品质优良，使其具备较高的产量和商品性能。只有这样，才能更好地促进农业可持续发展，进一步推动农业现代化发展。
参考文献
[1]陈彩霞，文生辉，宋薇，等.白银市高原夏菜产业现状及发展对策[J].甘肃农业,2022(12):27-29.
[2]李德政，韦体，杨东燃，等.高原夏菜秸秆栽培平菇的培养基配方研究[J].安徽农学通报,2021,27(1):30-32.
[3]谈立新.浅析培育壮大兰州高原夏菜产业[J].甘肃农业,2019(10):60-62.
[4]王娅婷，王春燕，孙雅丽，等.高原夏菜的竞争优势培育机制：以兰州市榆中县为例[J].农村经济与科技,2019,30(1):195-197.[5]
周祯莹.兰州高原夏菜发展对策研究[J].甘肃农业,2018(3):21-25.
力，明显优于传统的提取特征图像识别分类方法。
4结语
综上所述，利用深度学习技术对食用菌进行分类，具有
更高的精度和更强的泛化能力，可以在一定程度上克服传统方法中手动特征提取的局限性，有助于提高食用菌产业的技术水平和安全性。但深度学习方法的训练通常需要大量的计算资源和数据集，这也是需要在实际应用中权衡的一个因素，未来可以尝试更多的深度学习模型和技术，进一步提高食用菌分类的准确性和鲁棒性。
参考文献
[1]刘宏伟，高晓波，赵占斌，等.基于LBP 特征的食用菌图像识别研究[J].计算机工程与应用,2015,51(11):208-211.
[2]张宁，刘丽丽，李新阳.基于深度学习的食用菌图像识别研究进展[J].食品科技,2019,44(6):283-288.
[3]吴婷婷，胡伟，黄小芳.食用菌形态识别方法研究[J].中国食用菌,2016,35(4):33-36.
[4]李新阳，刘丽丽，张宁.基于改进局部二值模式的食用菌纹理分类方法[J].电子技术与软件工程,2018(8):52-54.
[5]刘慧，王文杰，胡伟.基于卷积神经网络的食用菌图像分类研究[J].计算机应用与软件,2017,34(6):35-38.
[6]李佳，张宁，刘丽丽，等.基于卷积神经网络的食用菌识别与分类方法研究[J].农业工程学报,2020,36(14):183-189.
[7]
王文杰，胡伟，陈雪平，等.基于支持向量机的食用菌形态识别方法[J].中国食用菌,2015,34(2):17-20.
[8]
赵丽娜，刘慧，胡伟.基于深度学习的食用菌图像识别方法研究[J].中国食品学报,2018,18(6):237-242.
（上接第103页）
理论研究
第9期（总第405期）
王琼，师立伟，石小强，等：岷县高原夏菜产业新品种和新技术引进与应用分析106

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。