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MA-ConvNext网络和分步关系知识蒸馏的苹果叶片病害识别
1
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...
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.
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
一种基于改进ResNet18神经网络的苹果叶片病害识别方法
2
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...
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。
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MA-ConvNext网络和分步关系知识蒸馏的苹果叶片病害识别
1
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
一种基于改进ResNet18神经网络的苹果叶片病害识别方法
2
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
被引量
操作
1
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
0
在线阅读
下载PDF
职称材料
2
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
0
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
