基于Transformer模型的干辣椒等级分类方法研究

针对生产出的干辣椒品相不一的问题,提出基于Transformer模型的干辣椒等级分类识别方法.根据干辣椒特征,确定干辣椒等级标准,包括优质干辣椒、合格干辣椒和不合格干辣椒3个等级.制备干辣椒数据集并划分为训练集和测试集.首先结合Vi-sual Transformer(ViT)网络和分类网络,引入并改进Shifted windows Transformer(Swin Transformer)网络,使用高斯误差线性单元(GELU)做激活函数,使用自适应矩估计(Adam)做优化函数.通过加载在ImageNet数据集训练的权重进行模型初始化,表明迁移学习方式可有效提高模型特征提取能力.通过对比ViT模型和Swin Transformer模型两种模型来训练干辣椒数据集,表明Swin Transformer模型测试准确率较高.实验表明,利用迁移学习的Swin Transformer模型准确率最高,达到95.26％,这为干辣椒等级分拣问题提供了新的解决办法,同时可作为其他果蔬品相识别的参考.