Evrişimli Sinir Ağına Dayalı Akıllı Buzdolabının Meyve ve Sebze Görüntü Tanıma Araştırması
Zeng Weiliang1, Lin Zhixian1, Chen Yongsa2
(1. Fizik ve Bilgi Mühendisliği Okulu, Fuzhou Üniversitesi, Fuzhou 350116, Fujian; 2. TCL Group Endüstriyel Araştırma Enstitüsü, Shenzhen, Guangdong 518055)
: Akıllı buzdolabı nesne tanıma esas olarak meyve ve sebzelerin tanınmasını içerir.Buzdolabında çok sayıda meyve ve sebze, düzensiz aydınlatma ve karmaşık ortamlar vardır.Bunun için, bu tür tanıma problemiyle başa çıkmak için evrişimli bir sinir ağı önerilmiştir. Ağ, etkinleştirme işlevi olarak ReLU'yu kullanır; bu, daha güçlü seyrek yeteneği ve geleneksel Sigmoid işlevinden daha büyük gradyan değerine sahiptir ve bu, ağ yakınsamasını büyük ölçüde hızlandırabilir. Gizli katmanda rastgele Bırakmanın tanıtılması, bazı düğümleri çalışmaz hale getirir, düğümler arasındaki "ortak adaptasyonu" azaltır, ağın belirli bir yerel özelliğe aşırı uyumunu azaltır, ağ hesaplama karmaşıklığını azaltabilir ve tanıma oranını etkili bir şekilde iyileştirebilir. Ağ, ağın yerel minimuma düşmesini önlemek ve tanıma oranını iyileştirmek için momentum terimini yönlendiren gradyan iniş tabanlı bir geri yayılım algoritması kullanır. Son olarak, bu yöntemin etkinliğini doğrulamak için buzdolaplarındaki meyve ve sebzelerin görüntülerini simüle etmek için Süpermarket Ürün Veri Kümesi kullanılarak deneyler yapılır.
: Evrişimli sinir ağı; meyve ve sebze tanıma; Bırakma; gradyan iniş
: TP391.4 Belge tanımlama kodu: ADII: 10.19358 / j.issn.1674-7720.2017.08.018
Alıntı biçimi : Zeng Weiliang, Lin Zhixian, Chen Yongsa.Erişimsel Sinir Ağına Dayalı Akıllı Buzdolabı Meyve ve Sebze Görüntü Tanıma Araştırması J. Mikrobilgisayar ve Uygulama, 2017,36 (8): 56-59.
0 Önsöz
* Finanse edilen projeler: Ulusal Anahtar Araştırma ve Geliştirme Programı (2016YFB0401503); Fujian Eyaleti Bilim ve Teknoloji Ana Projesi (2014HZ0003-1); Guangdong Eyaleti Bilim ve Teknoloji Ana Projesi (2016B090906001); Fujian Eyaleti tarafından finanse edilen İl Üniversitesi Özel Projesi (JK2014002). Kullanıcıların meyve ve sebze ürünlerinin tüketimini toplayın, verileri kullanıcı tercihlerini analiz etmek için kullanın ve tüccarlar, terminal APP aracılığıyla kullanıcılara zamanında meyve ve sebze ürünleri önerileri yapabilir veya kullanıcılara, süresi dolmak üzere olan yiyecekleri mümkün olan en kısa sürede tüketmelerini hatırlatabilir. Şu anda, akıllı buzdolaplarının nesne tanıma yöntemleri temel olarak şunları içerir: gıda türlerinin kullanıcı manuel girişi veya ses girişi, radyo frekansı tanımlama taraması [1], barkod veya QR kodu taraması [2] ve diğer teknolojileri. Meyve ve sebze görüntülerinin tanınması için Bolle R. M ve arkadaşları [3], görüntünün renk ve dokusunun istatistiksel özelliklerini çıkararak ilk kez rastgele yerleştirilmiş tarım ürünlerinin tanınmasını ve sınıflandırılmasını sağladı. ROCHA A ve arkadaşları [4], K kullanarak Unser, Renk Tutarlılığı Vektörü (CCV) ve Kenarlık / İç piksel Sınıflandırması (BIC) gibi doku ve renk özelliklerini karşılaştırdı. Bu tür özellikleri tanımlamak için kullanılan ve aşağıdan yukarıya kümeleme (Aşağıdan Yukarı Kümeleme Prosedürü) yöntemleri ve özellik füzyon yönteminin daha iyi sonuçlar elde edebileceğine işaret etti, ancak bu yöntem meyve ve sebzelerin dokusundaki farklılığı iyi bir şekilde temsil edemedi. Cinsel ve dış ışığa duyarlı. Zhang Yudong ve arkadaşları, tanımlama özellikleri olarak Unser, RGB renk histogramı, şekil vb. Kullanmayı ve meyve ve sebze ürün tanımlama için çok çekirdekli SVM kullanmayı [5] önerdiler ve iyi tanımlama sonuçları elde ettiler, ancak çok çekirdekli destek vektör makinesi eğitim süresi uzundur ve maliyet nispeten yüksektir. . ROCHA A ve arkadaşları [6], meyve ve sebze tanıma teknolojisini optimize etmek için özellik füzyon yöntemini kullanmaya devam ettiler. Tao Huawei ve arkadaşları [7], akıllı meyve ve sebze sisteminin tanıma oranını iyileştiren, tamamen yerel bir ikili renk moduna dayalı nesne dokusu özelliklerini çıkarmak için bir yöntem önerdiler. Meyve ve sebze görüntü tanıma ile ilgili yukarıdaki araştırmalar, manuel özellik çıkarma kategorisine aittir.
LECUN Y ve arkadaşları [8] tarafından önerilen LeNet-5 evrişimli sinir ağı, dijital tanımada büyük başarı elde etti ve daha sonra bu model tarafından temsil edilen evrişimli sinir ağı, plaka tanıma, el yazısı numara tanıma ve video insan eylemlerine uygulandı. Tanıma [9], yüz özelliği noktalarının tespiti [10] ve diğer birçok alan. KRIZHEVSKY A ve ark. [11] tarafından önerilen ağ modeli, yaygın ilgi gören ImageNet veri setinde% 83.6 tanınma oranına ulaştı. Li Siwen ve arkadaşları [12], akıllı buzdolaplarındaki meyve ve sebze türlerini tanımlamak için entegre bir evrişimli sinir ağı kullandı, ancak birden fazla modeli birleştirme yöntemi daha karmaşıktır ve "aşırı uyuma" eğilimli birçok parametreye sahiptir. Bu makale, buzdolaplarındaki meyve ve sebze türlerini tanımlamak için evrişimli bir sinir ağı önermektedir Ağ, doygunluğu önlemek ve ağ yakınsamasını hızlandırmak için aktivasyon işlevi olarak ReLU'yu kullanır. Gizli katmanda rastgele Bırakmanın eklenmesi, ağ yapısını daha "seyrek" hale getirir ve nöronların birbirine bağımlılığını azaltır. Evrişimsel sinir ağları, belirli tıkanma, aydınlatma, çevirme, döndürme, ölçekleme ve diğer bozulma biçimlerine karşı iyi bir sağlamlığa sahiptir ve bu tür meyve ve sebze tanıma problemiyle başa çıkmak için çok uygundur, bu nedenle son yıllarda bu yönde bir araştırma noktası haline gelmiştir.
1 Evrişimli Sinir Ağı
Evrişimli sinir ağı, doğrudan 2 boyutlu görüntüleri girdi olarak alabilen derin bir sinir ağıdır ve esas olarak iki bölümden oluşur: özellik çıkarma ve sınıflandırıcılar. Özellik çıkarma modülü, dönüşümlü olarak bir evrişimli katman ve bir alt örnekleme katmanından oluşur Evrişimli katman, evrişim filtreleme yoluyla görüntünün kullanışlı özelliklerini elde eder Alt örnekleme katmanı, veri işleme miktarını azaltmak için evrişimli katmanın veri örneklemesinin boyutluluğunu azaltır. Kenarlar ve renkler gibi düşük seviyeli özelliklerden, köşeler ve şekiller gibi üst düzey özelliklere kadar görüntüleri otonom olarak seçmeye yönelik bu yöntem, gizli katmanlardan katman katman, hantal ve tek taraflı özelliklerin manuel olarak çıkarılmasını önler ve ağın, özellikleri bağımsız olarak seçmesine ve öğrenme ve tanıma gerçekleştirmesine olanak tanır. Kabiliyet. Son olarak, çıkarılan özellikleri tanımlamak ve sınıflandırmak için bir sınıflandırıcı kullanılır Sınıflandırıcı genellikle bir veya iki kat tamamen bağlı sinir ağları kullanılarak gerçekleştirilir.
1.1LeNet-5 ağ modeli
Klasik LeNet-5 modeli bir giriş katmanı, iki evrişimli katman, iki alt örnekleme katmanı, iki tam bağlı ağ ve bir çıktı katmanından oluşur LeNet-5 ağ modeli yapısı Şekil 1'de gösterilmiştir.
Evrişimli katmanda, giriş görüntüsü j farklı öznitelik haritaları oluşturmak için j farklı evrişim çekirdeği tarafından dönüştürülür Hesaplama işlemi denklem (1) 'de gösterilmiştir.
Formülde, xlj, katman l'deki (evrişimli katman) j'inci özellik haritasını, f (·) etkinleştirme işlevini, Mj, girdi görüntüleri kümesini ve b, önyargı faktörünü temsil eder.
Aşağı örnekleme katmanının hesaplama süreci denklem (2) 'de gösterilmiştir.
Formülde: aşağı (·), altörneklemenin havuzlanması anlamına gelir, yani giriş görüntüsündeki her farklı n × n alan toplanır ve ardından çıktı görüntüsünün bir noktası olarak ortalaması alınır, böylece farklı boyutlardaki çıktı görüntüsü orijinal 1 / n. Her çıktı görüntüsünün farklı bir ürün faktörü ve sapma faktörü b vardır.
Sınıflandırıcının ilk katmanı, üst altörnekleme katmanının tüm özellik haritalarına tam olarak bağlı bir evrişimli katmandır.Giriş boyutu 5 × 5 ve evrişim çekirdeğinin boyutu da 5 × 5 olduğundan, tamamen bağlı olarak kabul edilebilir. Zemin. Sınıflandırıcının ikinci katmanı, giriş vektörü ile ağırlık arasındaki iç çarpımı hesaplar ve daha sonra, tanıma sonucunu belirlemek için aktivasyon fonksiyonu aracılığıyla çıktı katmanı biriminin bir durumunu oluşturur.
1.2 ReLU aktivasyon fonksiyonuna dayalı evrişimli sinir ağı
Evrişimli sinir ağlarındaki yaygın etkinleştirme işlevleri Sigmoid işlevi f (x) = (1 + ex) -1 ve hiperbolik tanjant işlevi f (x) = tanh (x) içerir Bu işlevlerin her ikisi de doymuş doğrusal olmayan işlevlerdir. Yakınsama oranı daha yavaştır. Bu makale, Doğrultulmuş Doğrusal Birimleri (ReLU), yani f (x) = max (x) benimser Bu fonksiyon, modelin orta derecede seyrek bir ifadeye sahip olması için belirli verileri sıfıra zorlamak için doğrusal düzeltme kullanır. ReLU fonksiyonu büyük bir gradyan değerine sahiptir. Geri yayılma aşamasında gradyanın ağın ilk birkaç katmanına yayılmasını önleyebilir.Performans geleneksel aktivasyon fonksiyonundan daha iyidir ve ReLU'nun tek taraflı bastırılması biyolojik bakış açısıyla daha uyumludur. Süreç Şekil 2'de gösterilmektedir.
1.3 Rastgele Bırakmaya dayalı CNN ağı
Evrişimli sinir ağı modeli, eğitim aşamasında örnek kütüphanesinin kapasitesinden büyük ölçüde etkilenir, sınırlı sayıda örnek olması durumunda, modelin "aşırı uymasını" önlemek gerekir. Bu yazıda, ağ yapısı rastgele Bırakmayı tanıtır, yani bazı nöronları rastgele "dondurur", ağ eğitim sürecinde mevcut ağırlıklarını korur ve aynı zamanda çıktıyı 0'a ayarlar ve bu seçilen nöronlar bir sonraki eğitim sürecinde olacaktır. Önceden tutulan değer geri yüklenecek ve bu işlemi tekrarlamak için bazı nöronlar tekrar rastgele seçilecektir. Rastgele Bırakma, her iki nöronun aynı anda bir etkiye sahip olmasını önleyebilir, böylece ağırlık güncellemesi artık sabit ilişkilere sahip örtük düğümlerin ortak çizimine bağlı değildir.
Gizli katman diyagramı kullanılır, yani sinir ağının yapısı her eğitim sürecinde değişir. Bu yöntem, nöronlar arasındaki bağımlılığı azaltır ve sinir ağının genelleme yeteneğini etkili bir şekilde geliştirir, böylece daha sağlam özellikler öğrenebilir. Bu makalede, iki evrişimli katmanın% 30'unun çıktısı, Şekil 3'te gösterildiği gibi rasgele sıfıra ayarlanmıştır.
1.4 Momentum faktörlü gradyan iniş geri yayılma algoritması
Bu yazının eğitim sürecinde ağın ağırlık güncellemesi, momentum faktörlü gradyan iniş geri yayılma algoritmasına dayanmaktadır ve ağırlık güncelleme kuralları denklem (3) ve (4) 'te gösterilmiştir.
vi + 1 = vi-i- (Li) Di (3)
i + 1 = i + vi + 1 (4)
Formülde: i iterasyon sayısıdır; öğrenme hızıdır; ağırlık zayıflatma faktörüdür; ağırlık vektörüdür; momentum terimidir. Momentum terimini artırmanın amacı, ağ eğitiminin sığ yerel minimum noktalara düşmesini önlemektir ve Ağ yakınsama hızını hızlandırabilir; (Li) Di, ağırlık i olduğunda eğitim numunelerinin i'inci partisinin kayıp fonksiyonuna göre türevinin ortalama değeridir.
1.5 Bu makalenin evrişimli sinir ağı modeli
Giriş katmanı, iki katmanlı evrişimli katman, iki katmanlı alt örnekleme katmanı, tam bağlı katman ve çıktı katmanı olan bu yazıda evrişimli sinir ağının yapısı Şekil 4'te gösterilmektedir. Evrişim: Girdi görüntüsü, evrişim katmanının özellik haritasını elde etmek için eğitilebilir bir filtreden geçirilir. Altörnekleme: Altörnekleme katmanının bir değerini elde etmek için evrişimli katmanın özellik haritasındaki her 2 × 2 mahallenin ortalamasını alın Bu nedenle, aşağı örnekleme katmanının özellik haritası, tüm boyutlarda evrişimli katmanın özellik haritasının 1 / 2'sine indirgenir. 2. Tamamen bağlantılı: Son altörnekleme katmanının özellik haritasını bir vektöre genişletin, ağırlıkla çarpın ve etkinleştirme işlevi aracılığıyla çıktı katmanı nöronunu alın.
Ağ modelinin her katmanında kullanılan parametreler Tablo 1'de gösterilmektedir.
2 Deney ve sonuç analizi
2.1 Veri seti
Buzdolabında pek çok meyve ve sebze çeşidi ve miktarı var, düzenleme düzensiz, meyve ve sebzelerin görüş açısı değişken, ışık düzensiz ve durum çok karmaşık. Süpermarket Ürün Veri Kümesi [10] veri seti, buzdolabından elde edilen görüntüleri simüle etmek için kullanılır. Veri setinde, buzdolaplarında yaygın meyve ve sebzelerin 15 kategori ve 2633 görüntüsü vardır.Her meyve ve sebze türünün görüntü sayısı 75 ile 264 arasında değişir. Görüntü boyutu, 1024 × 768. Her türlü görüntü verisini düzgün ve göreceli olarak dengeli hale getirmek için, veri setindeki meyve ve sebze türlerinin sayısını 167 görüntü ile artırmak için rastgele bir kopyalama yöntemi benimsenmiş ve bu görüntülere Gauss beyaz gürültüsü eklenmiştir. Bu nedenle revize edilen veri setinde toplam 15 kategori ve 2800 meyve ve sebze resmi bulunmaktadır; bunlar patates (sarı), patates (kırmızı), kaju, küçük şeftali, Fuji elması, yeşil elma, kavun, kivi, nektarin, soğan, portakal ve erik , Armut, yeşil portakal, karpuz.
2.2 Deneysel yöntem
Bu makale, Şekil 4'te gösterilen evrişimli sinir ağı modelini oluşturur ve her katmanın parametreleri Tablo 1'de gösterilmiştir. Girdi görüntü boyutu 28 × 28'dir, bu nedenle görüntü kırpılmalı ve eşit genişlik ve yükseklikte 1: 1 boyutuna küçültülmelidir Eşit genişlik ve yükseklik küçültme, görüntü bozulmasını ve önemli özellik bilgilerinin kaybolmasını önlemek içindir. Toplu stokastik gradyan iniş yöntemi (Mini-parti Stokastik Gradyan Azalma, Mini-parti SGD) 200 kez yinelenir (200 epoch) Her dönem için, eğitim için her 10 örnek girildikten sonra, geri yayılma gerçekleştirilir ve ağırlıklar bir kez güncellenir. Bu makalede, öğrenme oranının başlangıç değeri 0.1 olarak ayarlanmıştır.Tanıma oranı önemli ölçüde artmadığında veya yükselme eğilimi yavaşladığında, öğrenme oranı orijinalin 1 / 2'sine değiştirilir; momentum terimi 0.6 olarak ayarlanır; ağırlık bozunma faktörü ayarlanır Deney, veri setini bölmek için uzatmayı kullanır, eğitim seti olarak 2240 görüntüyü rastgele ve test seti olarak kalan 560 görüntüyü seçer.
2.3 Deneysel sonuçlar ve analiz
2.3.1 Çeşitli meyve ve sebzelerin tanımlanması için karışıklık matrisi
Şekil 5, çeşitli meyve ve sebzelerin doğruluğunu test etmek için bu yazıda kullanılan yöntemin karışıklık matrisini göstermektedir. Matrisin köşegeninde yer alan daha koyu karede yer alan veriler Y eksenine karşılık gelen meyve ve sebzelerin tanıma oranı, kalan açık karelerdeki veriler ise X eksenine karşılık gelen meyve ve sebzeler olarak yanlış tanınan Y eksenine karşılık gelen meyve ve sebzelerin tanıma oranıdır. Karışıklık matrisinden kivi meyvesinin kolayca yeşil elma olarak tanımlandığı ve armutun patates (sarı) olarak kolayca yanlış tanımlandığı görülebilir. Veri setinin görsellerinden, bu tür meyvelerin görünüşte nesnel olarak benzer olduğu; diğer kaju, soğan, Fuji elması, kavun, soğan, portakal, erik, yeşil portakal vb., Özellikle kavun ve portakal gibi% 100'e ulaşabilen daha yüksek tanınma oranlarına sahip olduğu görülmüştür. Doğru oran. Yani, bu makaledeki evrişimli sinir ağı modeli ve parametreleri, bu tür meyve ve sebze tanıma problemi için daha iyi bir tanıma etkisi sağlayabilir.
2.3.2 Aktivasyon fonksiyonları olarak Sigmoid ve ReLU kullanarak tanıma oranlarının karşılaştırılması
Şekil 6, Sigmoid fonksiyonunu ve 200 yineleme için ReLU fonksiyonunu kullanan ağın yakınsama hızının bir karşılaştırma diyagramıdır Düz çizgi, ReLU aktivasyon fonksiyonunun tanıma oranı eğrisidir ve noktalı düz çizgi, Sigmoid aktivasyon fonksiyonunun tanıma oranı eğrisidir. ReLU fonksiyonunun erken yakınsama oranının daha hızlı olduğu şekilden görülebilir; ağ stabil hale geldiğinde, ReLU aktivasyon fonksiyonunun genel tanıma oranı yaklaşık% 83,4'tür, bu da Sigmoid fonksiyonunun% 67,7'lik tanıma oranından çok daha yüksektir, çünkü etkili bir şekilde önleyebilir. Ağ "aşırı uyumlu" görünmektedir, bu nedenle meyve ve sebzelerin tanınma oranı büyük ölçüde geliştirilebilir.
2.3.3 Ağın rastgele Bırakmaya katılıp katılmadığına ilişkin tanıma oranının karşılaştırılması
Şekil 7, ağa rastgele Bırakmanın eklenip eklenmediğinin 200 yinelemesinden sonraki tanıma oranı eğrisidir.Düz çizgi, rastgele Bırakma oranı% 30 olduğunda elde edilen tanıma oranı eğrisidir ve noktalı düz çizgi, Bırakma olmadan tanıma oranı eğrisidir. . Ağ stabilize olduğunda, rastgele Bırakma ile genel tanıma oranı yaklaşık% 83,4'tür ve rastgele Bırakma olmadan genel tanıma oranı yaklaşık% 79,3'tür ve tanıma oranı% 4,1 artar. Rastgele Bırakmanın belirli bir oranının eklenmesi, ağı daha seyrek hale getirebilir, nöronlar arasındaki etkileşimi azaltabilir ve meyve ve sebzelerin tanıma oranını bir dereceye kadar iyileştirebilir ve ağ "titreşimi" daha küçüktür ve sağlamlığı daha güçlüdür.
3 sonuç
Bu makale, evrişimli bir sinir ağı modeli oluşturarak meyve ve sebze görüntülerini tanır.Ağ, ağın yakınsamasını hızlandıran ve eğitim etkinliğini ve tanıma oranını iyileştiren, nöronların aktivasyon işlevi olarak ReLU doğrusal işlevini kullanır. Gizli katmanda belirli bir Bırakma yüzdesinin tanıtılması, ağın daha iyi genelleme yeteneklerine sahip olmasını sağlar. Gelecekte, özellik bilgilerini daha zengin hale getirmek için daha büyük görüntü boyutlarının girdisini inceleyeceğiz ve rengin meyve ve sebze görüntü tanıma üzerindeki etkisini incelemek için ağa renk bilgisi ekleyeceğiz ve tanıma oranını artırma etkisini elde etmek için mevcut ağ yapısını iyileştirmeye devam edeceğiz. Bu tür tanımlama problemiyle etkili bir şekilde başa çıkın.
Referanslar
[1] Gu Hanshen, Wang Dong.Ev sağlık hizmetleri için akıllı evde RFID tabanlı içerik duyarlı bir buzdolabı C 11. Uluslararası İleri İletişim Teknolojisi Konferansı Bildirileri, Pekin, IEEE, 2009: 987-990.
[2] Dai Yang, Yu Shenglin. İki boyutlu barkod kodlama ve kod çözmenin bilgisayarla gerçekleştirilmesi J. Veri toplama ve işleme, 2003,18 (3): 356360. 3 BOLLE RM, CONNELL JH, HASS N, ve diğerleri Veggievison: bir ürün tanıma sistemi "P" Amerika Birleşik Devletleri: US 5546475A, 1996-08-13.
4 ROCHA A, HAUAGGE DC, WAINER J, ve diğerleri. Renk, doku ve görünüm ipuçlarını kullanarak görüntülerden otomatik üretim sınıflandırması C. Bilgisayar Grafikleri ve Görüntü İşleme üzerine 21. Brezilya Sempozyumu, CampoGrande, Brezilya, IEEE, 2008: 3 -10.
5 Zhang Yudong, Wu Lenan Bilgisayarla görme ve çok sınıflı destek vektör makinesi kullanılarak meyvelerin sınıflandırılması J. Sensors, 2012, 12 (9): 12489-12505.
6 FARIA F A, dos SANTOS J A, ROCHA A, ve diğerleri.Üretici tanıma için otomatik sınıflandırıcı füzyonu C. Grafikler, Desenler ve Görüntülerde 25. SIBGRAPI, OuroPreto, Brezilya, IEEE, 2012: 20-25.
7 Tao Huawei, Zhao Li, Xi Ji, vd. Renk ve doku özelliklerine göre meyve ve sebzelerin tanımlama yöntemi J. Çin Ziraat Mühendisliği İşlemleri, 2014, 30 (16): 305-311.
[8] LECUN Y, BOTTOU L, BENGIO Y, ve diğerleri. Belge tanımaya uygulanan gradyan tabanlı öğrenme C. IEEE 86, 1998: 2278-2324.
9 Ji Shuiwang, Xu Wei, Yang Ming, ve diğerleri.İnsan eylemi tanıma için 3D evrişimli sinir ağları J. Örüntü Analizi ve Makine Zekası Üzerine IEEE İşlemleri, 2013, 35 (1): 221-231.
10 Sun Yi, Wang Xiaogang, Tang Xiaoou Yüz noktası tespiti için derin evrişimli ağ kademeleri C .2013 IEEE Bilgisayar Görüsü ve Patten Tanıma Konferansı (CVPR), IEEE, 2013: 3467-3483.
[11] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Derin evrişimli sinir ağları ile ImageNet sınıflandırması C. Sinirsel Bilgi İşleme Sistemindeki Gelişmeler 25: 26. Sinir Bilgi İşleme Sistemleri Konferansı Bildirisi, Lake Tahoe, ABD, 2012 : 1097-1105.
[12] Li Siwen, Lu Jiancheng, Ni Shengqiao. Akıllı Buzdolabı Meyve ve Sebze Tanıma Alanında Entegre Evrişimli Sinir Ağı Uygulaması Network J. Veri Toplama ve İşleme, 2016, 18 (3): 205-212.
