排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
2.
为了提高马陆葡萄病虫害的识别准确率,有效地进行马陆葡萄病虫害防控,对测地线活动轮廓模型(GAC)进行改进,通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分,从而实现准确分割病虫害图像模糊和凹陷边界,提出并建立了精确分割测地线活动轮廓模型(ASGAC)。接下来为了克服复杂背景下训练样本不足造成的误差,提出了Core损失函数,建立了CoreSoftmax联合监督机制(CSJMM),从而确立了基于CSJMM的精确分割测地线活动轮廓模型(CSJMM-ASGAC)。结果表明,CSJMM-AS-GAC训练集初始准确率为65.46%,验证集准确率为95.67%,测试集准确率为93.95%,Kappa系数达到0.913 8,召回率达到89.21%,CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06%。CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型。 相似文献
3.
[目的]提高白鹤草莓病虫害识别准确率和工作效率,解决灰度不均匀引起的白鹤草莓病虫害图像识别不准确问题。[方法]对基于区域信息的无边缘主动轮廓模型(CV)进行改进,通过对CV模型能量泛函添加能量函数,对闭合曲线内外灰度均值进行演化,提出并建立了带有能量函数的CV模型(EF-CV)。将灰色关联度作为图像边缘信息,全局项和边界信息项共同作用分割白鹤草莓病虫害图像目标,提出并建立了基于灰色关联度的能量函数CV模型(GCD-EF-CV)。[结果]GCD-EF-CV对草莓炭疽病、叶斑病、白粉病、蚜虫、红蜘蛛、蓟马识别准确率分别达到95.32%、92.85%、96.34%、98.14%、95.38%、96.27%,平均识别率达到95.72%,领先其它模型。GCD-EF-CV的训练准确率、测试准确率分别达到88.48%、95.67%,平均单张识别时间为32 ms,该模型对灰霉病、褐斑病、白粉病防效分别达到88.54%、87.31%、89.24%,对蚜虫、白粉虱、蓟马的虫口减退率分别为91.08%、93.07%、92.47%,防效分别达到86.24%、88.46%、87.41%,在5种病虫害识别模型中达... 相似文献
1