-
题名基于图结构增强的番茄叶部病害识别方法
- 1
-
-
作者
刘博
王斌成
陶旭
郭娜炜
马寅驰
-
机构
河北农业大学信息科学与技术学院
河北农业大学河北省农业大数据重点实验室
四川虹信软件股份有限公司军民融合业务中心
-
出处
《中国农机化学报》
北大核心
2025年第5期125-132,共8页
-
基金
河北省自然科学基金项目(F2020204009)
河北省重点研发计划项目(20327404D)
河北农业大学自主培养人才科研专项(PY201810)。
-
文摘
番茄作为重要的蔬菜作物,其产量和质量常受到各类叶部病害的影响。针对此问题,计算机视觉技术已被广泛应用于病害的自动识别中。现有方法主要分为基于手工特征提取与深度学习两大类。基于手工特征的方法虽然简洁高效,但在鲁棒性方面存在限制;而基于深度学习的方法,尽管能有效提升识别准确性,但往往需要较大的数据标注量与较高的计算复杂性。为解决这些问题,提出一种基于图结构增强的番茄叶部病害识别框架(TDR—EGS)。TDR—EGS通过整合样本间的拓扑关系,实现图学习与单样本学习的交替训练,从而在不增加模型推理阶段复杂度的前提下有效提升分类性能。首先通过卷积神经网络提取单样本特征,然后利用这些特征构建k近邻图以挖掘样本间的结构信息。这种方法使得图学习和单样本学习能够在共享的网络结构和外部存储机制的支持下协同工作。在11种番茄病害上的试验结果表明,TDR—EGS能在不增加推理复杂度的前提下有效提升多种主流基准模型的性能,最高达到98.61%的识别精度。此外,即使在仅使用60%标签信息的条件下,TDR—EGS的性能仍可以接近或超过完全监督学习的基准模型,充分证明该框架的有效性和泛化能力,为农业病害识别应用提供一种高效且通用的解决方案。
-
关键词
番茄叶部
病害识别
图学习
k近邻图
交替训练
深度学习
-
Keywords
tomato leaf
disease recognition
graph learning
k-nearest neighbor graph
alternating training
deep learning
-
分类号
S436.412
[农业科学—农业昆虫与害虫防治]
-
-
题名多重属性过滤深度特征合成算法
被引量：2
- 2
-
-
作者
王立可
崔小莉
张力戈
-
机构
中国科学院成都计算机应用研究所
中国科学院大学
四川虹信软件股份有限公司
-
出处
《计算机工程与应用》
CSCD
北大核心
2020年第12期169-174,共6页
-
基金
国家自然科学基金(No.61402537)
中国科学院西部青年学者项目
四川省科技计划(No.2018GZDZX0041)。
-
文摘
传统特征工程从关系实体中提取特征完全倚靠人工,繁琐、费时且易出错,深度特征合成算法可以为结构化数据合成大量特征,实现关系实体的自动特征工程。针对深度特征合成算法中合成特征冗余严重且难以筛选的问题,提出一种基于Kullback-Leibler(KL)散度和Hellinger距离结合的属性过滤算法。通过映射连接实体与标记,度量实体中属性的重要程度,对实体中的属性多重过滤,拒绝实体中重要程度低的属性参与深度特征合成算法,得到优化的特征合成结果。选取三种不同类型的公开数据集在不同的机器学习算法上进行实验验证。结果表明,改进的方法能够明显减少算法运行时间与合成数据规模,有效提高合成特征的质量与最终预测准确率。
-
关键词
深度特征合成
多重属性过滤
KL散度
Hellinger距离
-
Keywords
deep feature synthesis
multiple attribute filtering
Kullback-Leibler(KL)divergence
Hellinger distance
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
