检索结果-维普期刊中文期刊服务平台

基于预训练CNN模型深度特征融合的苹果叶片病害检测: 1; 作者张正风高峰《安徽农业科学》 CAS 2024年第23期216-219,共4页; 探讨了采用预训练的卷积神经网络(CNN)模型,如GoogLeNet、VGGNet和EfficientNet,作为特征提取器对苹果叶片病害检测准确率的影响。通过结合这3个CNN模型导出的深度特征,实现了深度学习特征的组合,使用提取的深度特征训练了支持向量机(S... 展开更多; 关键词苹果叶片病害卷积神经网络深度特征提取支持向量机病害检测; 在线阅读下载PDF 职称材料

基于MA-ConvNext网络和分步关系知识蒸馏的苹果叶片病害识别: 2; 作者刘欢李云红 +4 位作者张蕾涛郭越苏雪平朱耀麟侯乐乐《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2024年第9期1757-1767,1780,共12页; 针对复杂环境下苹果叶片病害图像背景杂乱、病斑大小不一,以及现有模型参数多、计算量大的问题,提出基于注意力和多尺度特征融合的苹果叶片病害识别网络(MA-ConvNext).通过引入多尺度空间通道重组块(MSCB)和融合三分支注意力机制的特征... 展开更多; 关键词苹果叶片病害识别注意力多尺度特征融合分步关系知识蒸馏; 在线阅读下载PDF 职称材料

基于改进EfficientNetV2的苹果叶片病害识别模型: 3; 作者王浩宇崔艳荣 +1 位作者胡玉荣胡施威《山东农业科学》北大核心 2024年第9期124-132,共9页; 斑点落叶病、褐斑病、灰斑病、花叶病和锈病是常见的5种苹果树叶部病害,严重影响苹果产量。针对实际生产中叶片病害识别准确率不高以及现有模型参数量大难以迁移到移动设备的问题,本研究基于Ef-ficientNetV2-b0模型,经过改进后提出了轻... 展开更多; 关键词苹果叶片病害轻量级网络深度学习算法 EfficientNetV2 Ghost模块坐标注意力机制; 在线阅读下载PDF 职称材料

一种基于改进ResNet18神经网络的苹果叶片病害识别方法: 4; 作者陈诗瑶孔淳 +2 位作者冯峰孙博王志军《山东农业科学》北大核心 2024年第10期174-180,共7页; 为有效提升苹果叶片病害识别的精度和效率,实现病害的及时防治进而提高苹果产量,本研究提出一种基于改进ResNet18神经网络的苹果叶片病害识别方法,可在提升模型识别性能的同时减少参数量和模型尺寸。首先,改进ResNet模型的残差结构,以... 展开更多; 关键词苹果叶片病害识别卷积神经网络 ResNet18模型残差结构坐标注意力机制迁移学习; 在线阅读下载PDF 职称材料

题名基于预训练CNN模型深度特征融合的苹果叶片病害检测: 1; 作者张正风高峰; 机构徐州生物工程职业技术学院; 出处《安徽农业科学》 CAS 2024年第23期216-219,共4页; 基金中国高校产学研创新基金项目“基于VR的互联网-红色旅游应用研究-以淮海战役烈士纪念塔园林景区为例”(2022IT061)。; 文摘探讨了采用预训练的卷积神经网络(CNN)模型,如GoogLeNet、VGGNet和EfficientNet,作为特征提取器对苹果叶片病害检测准确率的影响。通过结合这3个CNN模型导出的深度特征,实现了深度学习特征的组合,使用提取的深度特征训练了支持向量机(SVM)分类器。结果表明,所有CNN模型都能以显著的准确率使用深度特征提取并检测出苹果叶片病害,整体分类准确率达到了99.42%。此外,该研究还提出了一种基于改进深度学习的方法,通过结合3个CNN模型的深度特征,进一步提高了预测性能。该方法在苹果叶片病害检测中表现出色,并有望应用于其他植物叶片的病害检测。该研究为植物病害的自动识别提供了一种有效的方法,有助于农业生产的智能化和精准化。; 关键词苹果叶片病害卷积神经网络深度特征提取支持向量机病害检测; Keywords Apple leaf diseases Convolutional Neural Networks(CNNs) Deep feature extraction Support Vector Machine(SVM) Disease detection; 分类号 S-058 [农业科学]; 在线阅读下载PDF 职称材料

题名基于MA-ConvNext网络和分步关系知识蒸馏的苹果叶片病害识别: 2; 作者刘欢李云红张蕾涛郭越苏雪平朱耀麟侯乐乐; 机构西安工程大学电子信息学院山西大学生命科学学院; 出处《浙江大学学报（工学版）》 EI CAS CSCD 北大核心 2024年第9期1757-1767,1780,共12页; 基金国家自然科学基金资助项目(62203344) 陕西省自然科学基础研究重点资助项目(2022JZ-35) 陕西高校青年创新团队资助项目.; 文摘针对复杂环境下苹果叶片病害图像背景杂乱、病斑大小不一,以及现有模型参数多、计算量大的问题,提出基于注意力和多尺度特征融合的苹果叶片病害识别网络(MA-ConvNext).通过引入多尺度空间通道重组块(MSCB)和融合三分支注意力机制的特征提取模块(TAFB),有效提取苹果叶片病害图像不同尺度的特征,增强模型对叶片病斑的关注.采用分步关系知识蒸馏方法,将“教师”网络(MA-ConvNext)和“中间”网络(DenseNet121)融合,指导“学生”网络(EfficientNet-B0)训练,实现模型轻量化.实验结果表明,MA-ConvNext网络识别准确率为99.38%,较ResNet50、MobileNet-V3和EfficientNet-V2网络分别提高了3.98个百分点、7.55个百分点和4.27个百分点.经过分步关系知识蒸馏后,识别准确率较蒸馏前提高了1.76个百分点,并且具有更小的网络规模和参数量,分别为1.56×10^(7)、5.29×10^(6).所提方法能为后续精准农业的病虫害检测提供新思路和技术支持.; 关键词苹果叶片病害识别注意力多尺度特征融合分步关系知识蒸馏; Keywords apple leaf disease identification attention multiscale feature fusion stepwise relationship knowledge distillation; 分类号 TP393 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于改进EfficientNetV2的苹果叶片病害识别模型: 3; 作者王浩宇崔艳荣胡玉荣胡施威; 机构长江大学计算机科学学院荆楚理工学院计算机工程学院; 出处《山东农业科学》北大核心 2024年第9期124-132,共9页; 基金国家自然科学基金面上项目(62077018) 国家自然科学基金项目(62373382) 荆门市重大科技创新计划项目(2022ZDYF019)。; 文摘斑点落叶病、褐斑病、灰斑病、花叶病和锈病是常见的5种苹果树叶部病害,严重影响苹果产量。针对实际生产中叶片病害识别准确率不高以及现有模型参数量大难以迁移到移动设备的问题,本研究基于Ef-ficientNetV2-b0模型,经过改进后提出了轻量级的EGV2-CA网络。该网络在保留EfficientNetV2-b0主干网络的基础上,一是引入GhostNetV2网络中的核心Ghost Module,并选用original分支替换第一层卷积结构,可以进一步优化网络的计算效率,减少冗余计算,从而在提高模型速度和可移植性的同时保持较高的识别准确率;二是将EfficientNetV2-b0模型中Fused-MBConv模块的SE注意力机制替换为更高效的坐标注意力(CA)机制,通过将空间信息编码为坐标信息以更好地捕捉和表达空间上的细粒度特征。实验结果显示,相较于原始网络,EGV2-CA网络的识别精确率提高2.94个百分点,召回率提高2.53个百分点,F1得分提高2.67个百分点,Top-1准确率提高2.47个百分点,而参数量仅为48.9 M,可迁移至移动设备上使用,为真实场景下苹果叶片病害的快速、准确识别提供了一种有效的解决方案。; 关键词苹果叶片病害轻量级网络深度学习算法 EfficientNetV2 Ghost模块坐标注意力机制; Keywords Apple leaf disease Lightweight network Deep learning algorithm EfficientNetV2 Ghost module Coordinate attention mechanism; 分类号 S126 [农业科学—农业基础科学] S661.1 [农业科学—果树学]; 在线阅读下载PDF 职称材料

题名一种基于改进ResNet18神经网络的苹果叶片病害识别方法: 4; 作者陈诗瑶孔淳冯峰孙博王志军; 机构山东农业大学信息科学与工程学院山东省苹果技术创新中心; 出处《山东农业科学》北大核心 2024年第10期174-180,共7页; 基金山东省重大科技创新工程项目“现代果园智慧种植装备与大数据平台研发及示范应用”(2019JZZY010706)。; 文摘为有效提升苹果叶片病害识别的精度和效率,实现病害的及时防治进而提高苹果产量,本研究提出一种基于改进ResNet18神经网络的苹果叶片病害识别方法,可在提升模型识别性能的同时减少参数量和模型尺寸。首先,改进ResNet模型的残差结构,以减少参数量,实现模型轻量化;其次,引入坐标注意力(CA)机制并进行迁移学习,进一步提升模型的泛化性能。将改进ResNet18模型与原始ResNet18神经网络进行对比实验,结果发现,改进模型的准确率提升了1.53个百分点,但模型参数量减少为原始模型的50.84%。表明本研究提出的改进ResNet18模型可有效识别苹果叶片病害,且方便移动端搭载。; 关键词苹果叶片病害识别卷积神经网络 ResNet18模型残差结构坐标注意力机制迁移学习; Keywords Apple leaf disease recognition Convolutional neural network ResNet18 model Residual structure Coordinate attention mechanism Transfer learning; 分类号 S661.1 [农业科学—果树学] S126 [农业科学—农业基础科学]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	操作
1	基于预训练CNN模型深度特征融合的苹果叶片病害检测	张正风高峰	《安徽农业科学》 CAS	2024	在线阅读下载PDF 职称材料
2	基于MA-ConvNext网络和分步关系知识蒸馏的苹果叶片病害识别	刘欢李云红张蕾涛郭越苏雪平朱耀麟侯乐乐	《浙江大学学报（工学版）》 EI CAS CSCD 北大核心	2024	在线阅读下载PDF 职称材料
3	基于改进EfficientNetV2的苹果叶片病害识别模型	王浩宇崔艳荣胡玉荣胡施威	《山东农业科学》北大核心	2024	在线阅读下载PDF 职称材料
4	一种基于改进ResNet18神经网络的苹果叶片病害识别方法	陈诗瑶孔淳冯峰孙博王志军	《山东农业科学》北大核心	2024	在线阅读下载PDF 职称材料