共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
城市建成区是一类具有大面积的组合型目标群体,该区域地物丰富,光谱特征复杂多变,且具有大量的同物异谱与地物像素单元交错等现象,影像分类难度显著增加。针对图像级联网络(image cascade network,ICNet)计算复杂、分类精度低的问题,采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究,通过添加高效通道注意力机制(efficient channel attention,ECA)和联合金字塔上采样模块(joint pyramid upsampling,JPU)替换空洞卷积来获得ICNet改进网络,采用总体分类精度(overallaccuracy,OA)、Kappa系数与F13个指标对分类结果进行精度评估,并与随机森林(random forest,RF)、ENet和ICNet3种方法进行对比分析。结果表明,优化的ICNet网络模型能够更准确的进行地物分类,总体分类精度为75.12%,相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性,说明优化的ICNet网络可用于城市建成区的分类研究。 相似文献
3.
4.
为提高草莓病害图像的分类准确性,提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先,针对草莓病害的多尺度特点,基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv),在提取多尺度病害特征的同时,缓解参数量增加导致的收敛干扰;其次,提出基于双重池化的通道增强模块,用以提高模型的特征选择能力,增强有用尺度下的特征;最后,将上述方法与ResNet18结合,将原本的3×3卷积替换为DOPConv,同时在残差块中加入通道增强模块,构建出草莓病害分类网络。为验证模型识别性能与模块有效性,在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明,与原有ResNet18模型相比,CEM-DOPConv-ResNet18的准确率达97.867%,提高3.045百分点,同时内存占用量下降16.6%;消融试验结果表明,相较于原始金字塔卷积,DOPConv可以优化模型收敛,对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率,降低了网络复杂度,为病害的精准识别提供了一种有效解决模型。 相似文献
5.
为利用计算机或人工智能技术协助番茄病虫害防治,以存在病虫害侵害问题的番茄植株图像为研究对象,针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络,用于精确定位图像中的病虫害目标,并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络,以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比,基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%,旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%;2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较,本研究的检测和分类方法也存在优势,病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之,本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络,有助于提升番茄病虫害的防治效果,对计算机视觉在农业领域的应用具有重要意义。 相似文献
6.
使用竹片图像实现竹片缺陷自动识别,目前深度学习可以有效地解决该类问题,但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时,利用基于迁移学习的方法,把经过预训练的卷积神经网络模型进行迁移,即共享卷积层和池化层的权重参数,调整新网络模型的超参数,并建立一个包含4种共计6 360张竹片缺陷图像的数据库,把图片分成4种训练集测试集形式,即80%训练、20%测试;60%训练、40%测试;40%训练、60%测试;20%训练、80%测试,分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试,并将这3种方法作对比。最后,通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明,按照80%训练、20%测试的识别准确率最高,通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%,比普通深度学习提高了11.55% ,比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别,并且效果优于普通深度学习和 SVM 分类方法。 相似文献
7.
传统的板栗分级方法主要依靠人工或机械的多级振动筛,不仅分级准确率低而且容易把坏的板栗分成好的板栗。针对传统板栗分级存在的问题,构建轻量级的卷积神经网络实现高精度的板栗的自动分级。在自然光条件下用小米Note9手机拍摄获取包含优等品、一等品、合格品、虫蛀品和霉烂品板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。在学习ShuffleNet的基础上构建了一个浅层卷积神经网络Shnet-1,Shnet-1由2个卷积模块和4个Shuffle构成的板栗图像特征提取网络。特征提取网络连接板栗分类器,分类器由全局平均池化层、隐含层和输出层组成的多层感知器。为了实现板栗分类的最大精度和最小计算量,对Shnet-1模型的超参数进行了优化。将Shnet-1的分类性能与各种深度学习模型如AlexNet、Mnet-1、ResNet18进行了比较分析。浅层卷积神经网络Shnet-1网络模型应用于板栗分级的准确率达到98.90%,坏的板栗被分为好板栗的比例小于0.5%。Shnet-1的计算量小,板栗图像分类时间为26 ms,其权重仅占488KB的物理存储容量。改进ShuffleNet的卷积神经网络模型Sh... 相似文献
8.
《云南农业大学学报(自然科学版)》2021,(2)
【目的】为解决传统天麻表面破损主要依靠人工检测的问题,提出将残差神经网络模型(Faster R-CNN ResNet101)检测方法应用到天麻表面破损识别中,以期取得较好的识别效果。【方法】以腐烂、霉变、机械损伤和完好等4类天麻为研究对象,在卷积神经网络和区域候选网络的基础上构建模型,然后在tensorflow框架上实现模型检测,最后对比分析结果。【结果】天麻表面破损检测模型利用Faster R-CNN ResNet101网络中的输入卷积层以及4个卷积组进行特征提取,区域候选网络生成天麻表面破损的初步位置候选框,实现候选框的分类和定位,其识别率达95.14%,且查准率为0.94,召回率为0.92。与SSD (Single Shot multibox Detector)、Faster_rcnn_inception和Rfcn_resnet101等3种神经网络识别方法对比,识别率分别提高了13.02%、10.69%和12.02%。【结论】该模型具有泛化能力强、准确率较高和鲁棒性较好等特点,为农产品的识别研究提供了参考和借鉴。 相似文献
9.
《西南大学学报(自然科学版)》2021,(2)
为实现普米语孤立词语谱图的分类,引入基于卷积神经网络的语谱图模型,该模型可以无监督学习语谱图特征实现分类.本文搭建了一个9层的卷积神经网络模型,利用彩色语谱图样本集进行训练,并针对已训练好的模型,通过实验检验各项因素对分类的影响,从而得到适当的参数.参数确定后,进行卷积神经网络与支持向量机、 BP神经网络的对比实验,验证算法的可行性和有效性.实验显示基于卷积神经网络的普米语孤立词语谱图分类准确率达到91%~95%,这说明该算法是可行和有效的.与支持向量机、 BP神经网络相比,卷积神经网络具有自动提取特征,避免过拟合问题,适合大样本数据进行训练的优点. 相似文献
10.
苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块(convolutional block attention module,CBAM),提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明:改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0... 相似文献
11.
【目的】细菌耐药性监测是公共健康安全领域一项至关重要的工作。针对目前耐药性试验结果需要人工读取而结果判读主观性强且效率较低的问题,提出了利用卷积神经网络进行微孔图像识别的药敏试验结果判读方法。【方法】根据国家兽医微生物耐药性风险评估实验室提供的MIC试验图像构建数据集,利用Inception_V4和MobileNet_V1两个神经网络模型进行单个微孔药敏试验结果图像识别模型的训练,并基于模型判断的分类结果构建MIC值计算方法以及耐药性判断方法,实现药敏试验结果的自动识别。【结果】利用Inception_V4和MobileNet_V1两个神经网络模型进行单个微孔药敏试验结果图像识别的准确率分别达到99.99%、99.97%,MIC值及耐药性判定的准确率分别达到97.30%、94.40%和99.13%、98.40%。【结论】两种卷积神经网络均可替代人工判读,提高工作效率,并降低对实验人员的专业性要求。与Inception_V4相比,MobileNet_V1模型的判读精度略低,但效率较高,可达到实用化程度。 相似文献
12.
《河南农业大学学报》2021,55(5)
为解决传统卷积神经网络模型训练时间长、参数量大、泛化能力弱等问题,提出了一种基于VGG-16的改进多尺度卷积神经网络模型。用一个叠加卷积层替换VGG-16模型的最后3×3×512卷积层,并进行批归一化处理,提高模型训练速度;用全局池化层替换全连接层,大大减少模型参数总量。利用Plant Village公共数据集(健康玉米叶片、灰斑病、锈病和叶枯病叶片)结合大田试验采集的玉米病害图像数据对改进后模型进行训练和测试,并与常见的传统卷积神经网络模型进行对比。结果表明,模型参数和收敛时间均小于传统卷积神经网络,单一背景下的平均分类识别准确率达99.31%,明显优于传统神经网络模型(VGG-16的90.89%、ResNet-50的93.60%、Inception-V3的94.23%、MobileNet-V2的93.83%和DenseNet-201的95.70%)。同时,利用大田复杂背景病害图片测试新模型的泛化性,识别准确率达98.44%,单张图片测试平均仅需0.25 s。 相似文献
13.
为解决农作物遥感分类易混淆的问题,准确获取玉米种植结构信息,提出了一种能够充分利用高时间分辨率和中高空间分辨率数据优势的多源遥感数据玉米提取方法。以沈阳为研究区域,利用S-G滤波重构MODIS-EVI时序曲线提取物候特征,同时利用EVI转换模型平衡Landsat-8、Sentinel-2、GF-1与MODIS之间的EVI差异构建了30 m分辨率的时序数据,采用决策树方法,基于MODIS物候特征对多源时序数据分类,逐层掩膜水稻、大豆等易混淆地类获取玉米提取结果,并采用决策树与混合像元分解结合的方法进一步提高玉米提取结果的精度。结果表明:基于多源转化遥感数据的决策树分类总体精度与Kappa系数分别为92.27%和0.8825,相较于CART决策树、随机森林、最大似然法,其分类总体精度和Kappa系数均有较大幅度的提高,相较于数据未经模型转换的决策树分类的总体精度和Kappa系数分别提高4.59个百分点和0.0663。决策树分类后结合混合像元分解的玉米提取总精度提高至95.98%,玉米分类精度得到进一步提高。 相似文献
14.
针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。 相似文献
15.
针对目前当归产业病虫害识别方法缺失、人工提取特征存在主观因素及卷积神经网络训练需要大量数据等不足,提出1种基于多卷积神经网络融合的当归病虫害识别方法。构建当归常见病虫害数据集;选择在当归病虫害数据集中表现性能最好的ResNet50、InceptionNetV3、VGG19、DenseNet201 4个网络作为模型融合的基学习器;使用XGBoost(极度梯度提升)算法作为元学习器,得到基于多卷积神经网络融合的当归病虫害识别模型。结果表明,该融合模型比单个卷积神经网络模型具有更高的识别准确率,并优于其他融合方法融合的模型,对当归病虫害识别的查准率、查全率、F1值分别达到98.33%、97.14%、97.68%。本研究提出的基于XGBoost融合方法融合的模型实现了当归常见病虫害的精确分类,对常见病害的识别准确率达到98.33%,为当归产业提供了一种有效的病虫害识别方法。 相似文献
16.
17.
18.
基于迁移学习的番茄叶片病害图像分类 总被引:4,自引:1,他引:4
针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。 相似文献
19.
《湖北农业科学》2021,60(9)
快速有效检测农作物病理对于农业具有重大的意义,不仅能提高自动化识别病理效率,还可以提高农作物产量。以土豆、番茄等农作物作为病理研究对象,提出一种基于卷积神经网络的农作物病理分类模型MFCPNet。首先构建深度卷积神经网络模型,分别通过卷积层、激活层、池化层全连接层进行组建,然后将提取到的图像病理特征进行多特征融合,从而有效增强农作物病理的特征丰富度。同时对原数据集进行数据增强从而消除样本分布不均的问题。结果表明,所提出农作物病理分类模型的各项标准均优于AlexNet、VGG16、VGG19模型,达到了94.92%的准确率,同时省去人工搭建复杂的特征工程,对推动农业自动化具有一定的价值。 相似文献
20.
为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层(输入层32×32×3,卷积核大小为5×5)和8层(输入层227×227×3,卷积核大小为11×11、5×5、3×3)的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。 相似文献