共查询到16条相似文献,搜索用时 187 毫秒
1.
2.
3.
基于深度学习的5种树皮纹理图像识别研究 总被引:1,自引:0,他引:1
4.
5.
为进一步提高通过声音识别鸟类的精确度,本研究提出基于Inception-CSA深度学习模型的鸟鸣声分类方法,包含鸟鸣声音频样本预处理、特征提取、分类器分类等步骤。首先将鸟鸣声样本预处理成尺寸相同的梅尔频谱图,作为鸟鸣声特征图;其次利用Inception-CSA模型对鸟鸣声特征图进行特征提取,其中Inception模块提取鸟鸣声特征图中的多尺度局部时频域特征,CSA模块获取鸟鸣声特征图的全局注意力权重,将二者的输出结合得到更强的特征图,再次利用最大池化层对特征图进行下采样;最后利用全连接层进行分类,得到最终的分类结果。以采集的华南地区自然环境中的10种野生鸟类的鸣叫声构建数据集,用于实验部分以验证方法的有效性。结果表明,本研究提出的方法在自建数据集上准确率达到了93.11%,相比于基于其他经典模型的分类方法,基于Inception-CSA模型的分类方法在拥有较少模型参数量的同时达到了更高的准确率。 相似文献
6.
葡萄病害是导致葡萄严重减产的主要因素,大多数病害症状都反映在葡萄的叶片上,但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络,通过其包含不同大小和不同深度的卷积核来处理输入,然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层,能够加快模型收敛速度,有效提升模型精度。结果表明,改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比,在准确性方面具有显著优势。与原模型相比较,识别准确率提高3.18百分比,改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。 相似文献
7.
为快速、高效地利用高光谱成像技术诊断小麦赤霉病病症,分析了卷积层结构与光谱病症特征的关联性,并重点研究了高光谱的像元分类建模方法。首先,基于深度卷积神经网络的2种典型结构,构建了不同深度的卷积神经网络,比较了小麦赤霉病高光谱数据点集的训练和测试结果。结果显示:Visual Geometry Group(VGG)结构随着网络深度的增加,模型损失值不断下降;残差神经网络(ResNet)结构随着深度增加,损失值没有明显降低,说明ResNet网络的深度与模型性能无关。从测试集评测模型泛化性可知,具有4个基础单元模块的22层VGG网络在所有深度卷积模型中最优,其建模和验证准确率远高于传统的支持向量机(SVM),分别为0.846和0.843,测试集准确率为0.742。以VGG为基础单元构建的深度神经网络,能有效提取小麦赤霉病病症的高光谱特征。研究结果可为大尺度小麦赤霉病的智能成像诊断提供理论基础。 相似文献
8.
基于深度卷积神经网络的水稻田杂草识别研究 总被引:2,自引:1,他引:1
目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验。结果 在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954。在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作。 相似文献
9.
10.
基于改进DenseNet卷积神经网络的番茄叶片病害检测 总被引:1,自引:0,他引:1
针对传统的图像识别方法存在人工提取特征困难、识别耗时长和准确率低等问题,本研究以感染病害的番茄叶片和健康番茄叶片共10类图像为研究对象,提出了1种迁移学习和DenseNet卷积神经网络相结合的模型,实现了对番茄叶部病害的准确分类。首先将所有的图像数据进行预处理修改尺寸,对部分数量不均衡样本作随机变换;然后将DenseNet网络从ImageNet数据集上学习获得的先验知识应用到番茄病害图片数据集上,进而构建出基于迁移学习的深度卷积网络,经过微调训练得到番茄叶部病害识别模型。结果表明,该模型与AlexNet网络、VGG网络+迁移学习和MobileNet网络+迁移学习3种深度卷积模型相比,识别精度更高,测试准确率达到97.76%,实现了对10种番茄叶部图像的有效分类,为番茄等农作物病害的识别技术以及智慧农业的发展提供了新的思路与方法。 相似文献
11.
为实现水稻氮素营养的快速、准确识别,采用改进的VGG 16网络和迁移学习相结合的水稻氮素营养诊断识别方法,以杂交稻‘两优培九’为试验对象进行田间试验,设置4组不同的施氮水平(施氮量分别为0、210、300和390 kg/hm2),在水稻幼穗分化期和齐穗期,扫描获取水稻叶片图像数据;通过图像预处理方法,对数据进行扩充;构建改进的VGG16和迁移学习相结合的网络模型对水稻叶片图像数据进行氮素营养诊断识别。结果表明:1)在幼穗分化期时,改进的VGG16网络的识别准确率为93.1%,模型大小约为迁移学习VGG16模型的1/6,训练时间约为1 261 s。2)在水稻幼穗分化期和齐穗期,该模型微调后的识别准确率均能达到95%以上。基于迁移学习和改进的VGG16网络所建立的水稻氮素营养诊断模型具有较好的泛化能力,可以预测水稻氮素营养状况,为水稻氮素营养诊断提供参考。 相似文献
12.
为提升草地贪夜蛾及其近缘种成虫识别模型的泛化能力,除识别准确率外额外引入特征识别率对模型的泛化能力进行评估。将带有批归一化层的VGG-16-bn模型的全连接层以全局平均值池化层取代,并在模型训练阶段引入了Grad-CAM可视化结果进行训练指导,共构建了4种改进模型识别草地贪夜蛾及其近缘种成虫。试验结果表明,改进后的模型的识别准确率均在99.22%以上,VGG-16-bn-GAP模型参数内存需求仅为原始模型的10.98%。为评估模型的泛化能力,利用导向反向传播梯度值、Grad-CAM及Grad-CAM++对模型习得的特征进行可视化,并和专家进行人工识别的关键视觉特征进行比较,结果表明改进的VGG-16-bn-GAP模型和VGG16-bn-GAIN模型获得的草地贪夜蛾平均特征识别率比原始模型分别提高12.25%和13.42%。两种改进方式单独应用均能显著提高特征识别率,但同时使用两种方法效果并不明显。本文提出的以特征识别率评估模型泛化能力的方法,可为特征识别率和识别准确率的提升提供参考。 相似文献
13.
[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。 相似文献
14.
15.
【目的】调查分析柳州市不同生境冬季鸟类群落的多样性,探究影响鸟类多样性的生境因素,为城市生态建设提供参考。【方法】采用样线法进行调查,计算鸟类群落的多样性指数(H)、均匀度指数(J)和相似性指数(S),并分析鸟类群落的基本结构和多样性特征。【结果】共记录到鸟类13目42科118种,以雀形目占绝对优势,有26科85种。留鸟是柳州市冬季鸟类的主要组成部分,共记录鸟种79种,而冬候鸟共记录34种,旅鸟5种。从鸟类区系来看,东洋种67种,古北种31种,广布种20种。各生境鸟类群落多样性顺序为:城市园林〉农田居民区〉石山灌丛〉湖泊洼地〉商品林区。农田居民区与湖泊洼地鸟类群落的相似性最高。【结论】空间异质性和食物资源是影响柳州市冬季鸟类群落多样性的重要因素,可通过优化树种结构、改善生境、加强保护宣传等方式,提高城市冬季鸟类多样性。 相似文献
16.
基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数 总被引:2,自引:1,他引:1
针对传统机器学习采用人工提取特征方法时,由于人为主观性而影响昆虫识别效果与计数准确性的问题,采用图像特征自动提取方法,将深度学习目标检测模型引入昆虫的识别与计数领域,对Faster-RCNN目标检测模型进行改进:针对昆虫体积小,图像分辨率较低的特点,用网络深度更深,运算量更小的深度残差网络(ResNet50)代替原来的VGG16,以提取更加丰富的特征;针对部分昆虫密集的特点,用Soft-NMS算法代替传统的非极大值抑制(NMS)算法,以减少密集区域的漏检。结果表明:改进后Faster-RCNN模型的检测准确率达到90.7%,较未改进的Faster-RCNN模型提高了4.2%,可以运用于昆虫的分类计数。利用深度学习目标检测模型进行昆虫识别与计数较传统的昆虫识别与计数方法更加方便,能够将昆虫的识别、定位和计数融为一体。 相似文献