期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于迁移学习和改进CNN的葡萄叶部病害检测系统
被引量：
39
1
作者
樊湘鹏
许燕
+3 位作者
周建平
李志磊
彭炫
王小荣
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第6期151-159,共9页
为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平...
为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端。试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02%,单幅图像平均检测耗时为0.327s。与未改进的VGG16模型相比,平均准确率提高了2.82%,平均检测耗时下降了66.8%,权重参数数量减少了83.4%。改进后的模型综合性能优于AlexNet、ResNet50和Inceptionv3等模型。将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67%,平均检测耗时为0.357 s。该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据。
展开更多
关键词
图像
识别
病害
葡萄叶
迁移学习
卷积神经网络
全局平均池化
手机识别系统
智能诊断
在线阅读
下载PDF
职称材料
基于改进卷积神经网络的复杂背景下玉米病害识别
被引量：
44
2
作者
樊湘鹏
周建平
+1 位作者
许燕
彭炫
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第3期210-217,共8页
为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归...
为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。
展开更多
关键词
玉米
病害
识别
改进卷积神经网络
复杂背景
手机识别系统
在线阅读
下载PDF
职称材料
题名
基于迁移学习和改进CNN的葡萄叶部病害检测系统
被引量：
39
1
作者
樊湘鹏
许燕
周建平
李志磊
彭炫
王小荣
机构
新疆大学机械工程学院
新疆维吾尔自治区农牧机器人及智能装备工程研究中心
械制造系统工程国家重点实验分室
新疆大学工程训练中心
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第6期151-159,共9页
基金
国家自然科学基金项目(51765063)
新疆维吾尔自治区天山雪松科技创新领军人才计划项目(2018xs01)
新疆维吾尔自治区研究生科研创新项目(XJ2019G033)。
文摘
为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端。试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02%,单幅图像平均检测耗时为0.327s。与未改进的VGG16模型相比,平均准确率提高了2.82%,平均检测耗时下降了66.8%,权重参数数量减少了83.4%。改进后的模型综合性能优于AlexNet、ResNet50和Inceptionv3等模型。将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67%,平均检测耗时为0.357 s。该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据。
关键词
图像
识别
病害
葡萄叶
迁移学习
卷积神经网络
全局平均池化
手机识别系统
智能诊断
Keywords
image recognition
diseases
grape leaf
transfer learning
convolutional neural network
global average pooling
mobile phone recognition system
intelligent diagnosis
分类号
TP2 [自动化与计算机技术—检测技术与自动化装置]
S24 [农业科学—农业电气化与自动化]
在线阅读
下载PDF
职称材料
题名
基于改进卷积神经网络的复杂背景下玉米病害识别
被引量：
44
2
作者
樊湘鹏
周建平
许燕
彭炫
机构
新疆大学机械工程学院
新疆维吾尔自治区农牧机器人及智能装备工程研究中心
新疆大学工程训练中心
出处
《农业机械学报》
EI
CAS
CSCD
北大核心
2021年第3期210-217,共8页
基金
新疆维吾尔自治区研究生科研创新项目(XJ2019G033)
国家级大学生创新创业训练项目(201810755079S)。
文摘
为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。
关键词
玉米
病害
识别
改进卷积神经网络
复杂背景
手机识别系统
Keywords
corn
disease recognition
improved CNN
complicated background
mobile recognition system
分类号
TP39141 [自动化与计算机技术—计算机应用技术]
TP181 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于迁移学习和改进CNN的葡萄叶部病害检测系统
樊湘鹏
许燕
周建平
李志磊
彭炫
王小荣
《农业工程学报》
EI
CAS
CSCD
北大核心
2021
39
在线阅读
下载PDF
职称材料
2
基于改进卷积神经网络的复杂背景下玉米病害识别
樊湘鹏
周建平
许燕
彭炫
《农业机械学报》
EI
CAS
CSCD
北大核心
2021
44
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
