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
3
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
基于深度网络集成的复杂背景甘蔗叶片病害识别
被引量：
1
1
作者
马巍巍
陈悦
王咏梅
《智慧农业(中英文)》
2025年第1期136-145,共10页
[目的/意义]农作物病害图像的随机性和复杂性仍给病害识别带来诸多挑战。针对自然条件下甘蔗叶片病害识别难题,本研究提出XEffDa模型。[方法]该模型利用色调、饱和度、亮度(Hue-Saturation-Value,HSV)颜色空间的图像分割与边缘处理技术...
[目的/意义]农作物病害图像的随机性和复杂性仍给病害识别带来诸多挑战。针对自然条件下甘蔗叶片病害识别难题,本研究提出XEffDa模型。[方法]该模型利用色调、饱和度、亮度(Hue-Saturation-Value,HSV)颜色空间的图像分割与边缘处理技术去除背景干扰,根据特征融合策略,集成高效网络B0版本(Efficient Network B0,EfficientNetB0)、深度可分离卷积网络(Extreme Inception,Xception)和密集连接卷积网络201(Dense Convolutional Network 201,DenseNet201)作为特征提取器,采用预训练权重,通过贝叶斯优化确定顶层超参数,改进弹性网络(ElasticNet)正则化方法并加入随机失活(Dropout)层,以双重机制遏制过拟合现象。在甘蔗叶片病害数据集上训练并完成分类任务。[结果和讨论]模型集成后的识别准确率为97.62%,对比EfficientNetB0、Xception单模型及EfficientNetB0与其他深度网络结合模型识别准确率分别提高了9.96、6.04、8.09、4.19、1.78个百分点。融合实验进一步表明,加入改进ElasticNet正则化后的网络较主干网络其准确率、精确度、召回率及F1值分别提高了3.76、3.76、3.67及3.72个百分点。最大概率散点图结果显示预测最大概率值不低于0.5的比例高达99.4%。[结论]XEffDa模型具有更好的鲁棒性和泛化能力,能为农作物叶片病害精准防治提供参考。
展开更多
关键词
甘蔗叶片病害
图像识别
EfficientNet
Xception
densenet201
模型集成
在线阅读
下载PDF
职称材料
基于深度学习的玉米病虫害智能诊断系统开发
被引量：
3
2
作者
姚强
付忠军
+3 位作者
李君保
吕斌
粟超
郭彩霞
《南方农业》
2023年第17期84-88,共5页
使用自定义CNN和DenseNet201两种基于深度学习的网络,对大斑病、南方锈病、玉米黏虫、玉米蚜虫、玉米叶螨等10种常见玉米病虫害图像样本开展模型训练,并对部分训练结果进行了对比分析。发现所得val_accuracy大于0.8的模型中,基于CNN网...
使用自定义CNN和DenseNet201两种基于深度学习的网络,对大斑病、南方锈病、玉米黏虫、玉米蚜虫、玉米叶螨等10种常见玉米病虫害图像样本开展模型训练,并对部分训练结果进行了对比分析。发现所得val_accuracy大于0.8的模型中,基于CNN网络的模型相对稳定,val_loss值相对较小,说明在特定情况下基于CNN网络的模型收敛性相对较好,但DenseNet201网络更容易取得较高准确率的模型。面向Android系统开发基于深度学习的玉米病虫害智能诊断系统,并对系统开展诊断结果验证。验证结果:系统对于小斑病、纹枯病、茎腐病3种病害的诊断错误率较高,泛化能力不足。结论:开发基于深度学习的玉米病虫害智能诊断系统是可行的,但还需进一步调整完善。
展开更多
关键词
玉米病虫害
深度学习
CNN
densenet201
智能诊断系统
在线阅读
下载PDF
职称材料
基于卷积神经网络与ECOC-SVM的输电线路异物检测
被引量：
23
3
作者
余沿臻
邱志斌
+2 位作者
周银彪
朱轩
王青
《智慧电力》
北大核心
2022年第3期87-92,107,共7页
输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形...
输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。
展开更多
关键词
输电线路
异物检测
densenet201
卷积神经网络
ECOC-SVM
在线阅读
下载PDF
职称材料
题名
基于深度网络集成的复杂背景甘蔗叶片病害识别
被引量：
1
1
作者
马巍巍
陈悦
王咏梅
机构
合肥师范学院计算机与人工智能学院
出处
《智慧农业(中英文)》
2025年第1期136-145,共10页
基金
国家自然科学基金(62071001)
合肥师范学院大学生创新创业训练计划资助项目(S202414098181)
+1 种基金
合肥师范学院校级科研项目(2024KYJX44)
安徽省社会科学创新发展研究课题(2023KY016)。
文摘
[目的/意义]农作物病害图像的随机性和复杂性仍给病害识别带来诸多挑战。针对自然条件下甘蔗叶片病害识别难题,本研究提出XEffDa模型。[方法]该模型利用色调、饱和度、亮度(Hue-Saturation-Value,HSV)颜色空间的图像分割与边缘处理技术去除背景干扰,根据特征融合策略,集成高效网络B0版本(Efficient Network B0,EfficientNetB0)、深度可分离卷积网络(Extreme Inception,Xception)和密集连接卷积网络201(Dense Convolutional Network 201,DenseNet201)作为特征提取器,采用预训练权重,通过贝叶斯优化确定顶层超参数,改进弹性网络(ElasticNet)正则化方法并加入随机失活(Dropout)层,以双重机制遏制过拟合现象。在甘蔗叶片病害数据集上训练并完成分类任务。[结果和讨论]模型集成后的识别准确率为97.62%,对比EfficientNetB0、Xception单模型及EfficientNetB0与其他深度网络结合模型识别准确率分别提高了9.96、6.04、8.09、4.19、1.78个百分点。融合实验进一步表明,加入改进ElasticNet正则化后的网络较主干网络其准确率、精确度、召回率及F1值分别提高了3.76、3.76、3.67及3.72个百分点。最大概率散点图结果显示预测最大概率值不低于0.5的比例高达99.4%。[结论]XEffDa模型具有更好的鲁棒性和泛化能力,能为农作物叶片病害精准防治提供参考。
关键词
甘蔗叶片病害
图像识别
EfficientNet
Xception
densenet201
模型集成
Keywords
sugarcane leaf diseases
image recognition
EfficientNet
Xception
densenet201
model ensemble
分类号
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
基于深度学习的玉米病虫害智能诊断系统开发
被引量：
3
2
作者
姚强
付忠军
李君保
吕斌
粟超
郭彩霞
机构
重庆市农业科学院
酉阳县农业技术推广站
重庆市农业学校
出处
《南方农业》
2023年第17期84-88,共5页
基金
重庆市农业发展基金重大核心技术攻关项目“青贮玉米骨干种质B313持绿性改良提升及育种应用”(cqaas2023sjczhx009)。
文摘
使用自定义CNN和DenseNet201两种基于深度学习的网络,对大斑病、南方锈病、玉米黏虫、玉米蚜虫、玉米叶螨等10种常见玉米病虫害图像样本开展模型训练,并对部分训练结果进行了对比分析。发现所得val_accuracy大于0.8的模型中,基于CNN网络的模型相对稳定,val_loss值相对较小,说明在特定情况下基于CNN网络的模型收敛性相对较好,但DenseNet201网络更容易取得较高准确率的模型。面向Android系统开发基于深度学习的玉米病虫害智能诊断系统,并对系统开展诊断结果验证。验证结果:系统对于小斑病、纹枯病、茎腐病3种病害的诊断错误率较高,泛化能力不足。结论:开发基于深度学习的玉米病虫害智能诊断系统是可行的,但还需进一步调整完善。
关键词
玉米病虫害
深度学习
CNN
densenet201
智能诊断系统
分类号
S126 [农业科学—农业基础科学]
在线阅读
下载PDF
职称材料
题名
基于卷积神经网络与ECOC-SVM的输电线路异物检测
被引量：
23
3
作者
余沿臻
邱志斌
周银彪
朱轩
王青
机构
南昌大学能源与电气工程系
国网江西省电力有限公司
出处
《智慧电力》
北大核心
2022年第3期87-92,107,共7页
基金
国家自然科学基金资助项目(51967013)
江西省大学生创新创业训练计划项目(202110403086)。
文摘
输电线路悬挂异物会引发输电线路单相接地、相间短路等停电事故,因此本文提出一种基于卷积神经网络与ECOC-SVM的输电线路异物检测方法。首先,本文构建气球、风筝、塑料和鸟巢4种输电线路异物图像数据集;然后采用Otsu自适应阈值分割、形态学处理等方法提取感兴趣区域;再利用DenseNet201提取感兴趣区域的特征;最后对ECOC-SVM模型进行训练、测试与结果分析。所用方法在4类异物上的平均识别准确率可达93.3%,有助于提高输电线路运维的效率。
关键词
输电线路
异物检测
densenet201
卷积神经网络
ECOC-SVM
Keywords
transmission line
foreign body detection
densenet201
convolutional neural network
ECOC-SVM
分类号
TM721 [电气工程—电力系统及自动化]
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
基于深度网络集成的复杂背景甘蔗叶片病害识别
马巍巍
陈悦
王咏梅
《智慧农业(中英文)》
2025
1
在线阅读
下载PDF
职称材料
2
基于深度学习的玉米病虫害智能诊断系统开发
姚强
付忠军
李君保
吕斌
粟超
郭彩霞
《南方农业》
2023
3
在线阅读
下载PDF
职称材料
3
基于卷积神经网络与ECOC-SVM的输电线路异物检测
余沿臻
邱志斌
周银彪
朱轩
王青
《智慧电力》
北大核心
2022
23
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
