排序方式: 共有36条查询结果,搜索用时 15 毫秒
31.
针对传统CNN(Convolutional neural network)模型存在训练参数量大而无法应用于硬件条件受限的场合这一问题,本研究提出一种轻量级CNN农作物病害识别模型,能够在保证模型识别准确率情况下简化模型结构,扩大模型的适用场景.设计1个深度卷积模块作为基本卷积单元,2个深度卷积模块和1个批归一化层组成1个残差块作为残差单元,以残差单元作为基本元素设计一个轻量级CNN农作物病害识别模型.对辣椒、番茄和马铃薯的病害图像进行分类识别,最终模型在训练集上的总识别准确率为99.33%,测试集上的总识别准确率为98.32%.相对VGG16等传统模型,在进行农作物病害识别时本模型有更高的识别准确率、更快的识别速度和更小的内存占用. 相似文献
32.
农作物病害的快捷精准识别对我国粮食安全与农业发展提质增效具有重要意义。针对现有病害识别模型参数量大、泛化能力弱、不适用于田间实际场景且不易搭载至移动端等问题,本文提出了EssNet农作物病害识别网络,该网络以ShuffleNetV2_0.5为基础网络,引入高效通道注意力(ECA)机制与SiLU激活函数进行结构改进,同时结合知识蒸馏技术使用EfficientNetB0网络对EssNet进行学习指导,最后使用余弦退火衰减策略对学习率进行动态调整使网络表现达到最优。结果表明,本文提出的EssNet农作物病害识别网络对复杂环境下2种作物(玉米、苹果)的11种病害在测试集上的准确率达到95.21%,比基础网络提高2.11个百分点,参数量为0.35 M,权重文件为1.49 MB。该网络的整体性能优于其他现有模型,为建立田间轻量级农作物病害识别方法提供了参考。 相似文献
33.
[目的/意义]雨花英烈精神是中国共产党新民主主义革命精神的重要组成和代表,雨花英烈的原始革命文献是记录雨花英烈精神的重要来源与载体,利用内容标注、特征构建等文本处理技术对文献内容进行深度挖掘,既有助于弘扬革命文化,赓续红色血脉,也有益于开拓技术应用对象,促进技术水平提升。[方法/过程]本文以雨花英烈相关原始文献为数据来源,以雨花英烈为对象构建雨花英烈轻量级本体,以此作为雨花英烈群体特征描述框架,基于领域词表及触发词特征从雨花英烈革命文献中抽取本体中相关实例,实现对雨花英烈多维属性的形式化特征构建。雨花英烈轻量级本体的类别及属性描述了雨花英烈群体特征框架,通过对抽取的本体实例的数据分析,则可实现对雨花英烈群体特征的数据分析。[结果/结论]通过对雨花英烈基本信息、革命活动及狱中斗争的有关文本内容的统计分析,从数据角度进一步揭示了雨花英烈的群体特征,包括受教育程度高、牺牲年龄小,长期在国民党统治中心坚持斗争,坚守信仰,对党忠诚,满怀修齐治平的家国情怀,自觉践行对高尚的道德追求等。运用轻量级本体等本文量化分析方法有助于具象化地呈现雨花英烈的崇高理想信念、高尚道德情操以及为民牺牲的大无畏精神内涵。本文对于创新雨花英烈精神的呈现方式与传播效果有一定参考价值。 相似文献
34.
【目的】解决当前病虫害识别方法参数多、计算量大、难以在边缘嵌入式设备部署的问题,实现农作物病虫害精准识别,提高农作物产量和品质。【方法】提出一种融合多头注意力的轻量级卷积网络(Multi-head attention to convolutional neural network,M2CNet)。M2CNet采用层级金字塔结构,首先,结合深度可分离残差和循环全连接残差构建局部捕获块,用来捕捉短距离信息;其次,结合全局子采样注意力和轻量级前馈网络构建轻量级全局捕获块,用来捕捉长距离信息。提出M2CNet-S/B/L 3个变体以满足不同的边缘部署需求。【结果】M2CNetS/B/L参数量分别为1.8M、3.5M和5.8M,计算量(Floating point operations,FLOPs)分别为0.23G、0.39G和0.60G。M2CNet-S/B/L对PlantVillage病害数据集取得了大于99.7%的Top5准确率和大于95.9%的Top1准确率,对IP102虫害数据集取得了大于88.4%的Top5准确率和大于67.0%的Top1准确率,且比同级别的模型表现优异。【结论】该方... 相似文献
35.
麦穗检测与计数关乎小麦的产量预估与育种,估算小麦产量的重要指标之一就是单位面积穗数,如何准确检测单位面积穗数对于农业生产管理决策有着重要的指导作用。因此本研究提出了基于改进的YOLOX-s的田间麦穗检测方法对麦穗进行精准识别与计数。首先,选取多个国家的不同品种小麦图像,使用图像增强、数据清洗等方法建立全球小麦图像数据集。其次,在YOLOX-s的基础上根据麦穗图像的特点,重新设计了特征提取网络的深度,同时加入注意力机制,充分提取麦穗特征。将SPP模块替换为SPPF模块,在提升推理速度的同时,不降低模型性能。通过全球小麦图像数据集进行模型训练,并使用实地拍摄的麦田图像对模型进行测试。试验结果表明:通过全球小麦图像数据集的训练,改进的YOLOX-s网络模型的mAP达到了89.03%,精确度达到了91.21%。在实拍的麦田图像中,计数准确率达到了97.93%,平均单幅图像计数为0.194 s,单株小麦识别速度为2.8 ms,检测速度较YOLOX-s提升30.2%,计数速度优异,麦穗定位准确。 相似文献
36.
【目的】为解决传统水稻考种机谷粒表型分析算法在功能和效率上的局限性,针对穗上谷粒原位计数和被遮挡谷粒几何特征还原设计一种基于深度学习的轻量级通用算法框架。【方法】将穗上谷粒原位计数与被遮挡谷粒还原这2个复杂任务分别拆解为2个阶段,将其核心阶段建模为I2I问题。基于MobileNet V3设计1种能够解决I2I问题的轻量级网络架构,并针对2个任务的特点分别设计了数据集图像制作方法,选择合适的优化策略和超参数对其进行训练。训练结束后,使用TensorFlow Lite runtime解释器将模型部署在考种机的树莓派4B开发板上,并进行测试。【结果】该算法在穗上谷粒计数任务中具有良好的准确性、快速性,且具有一定的泛化性能。在被遮挡谷粒的形状还原任务中,该算法所还原的谷粒图像在面积、周长、长度、宽度和颜色分数评价指标中准确率均达到97%以上。【结论】该算法能够有效地完成穗上谷粒计数和被遮挡谷粒的还原任务,且具有轻量级的优点。 相似文献