排序方式: 共有2条查询结果,搜索用时 0 毫秒
1
1.
2.
为了解决番茄人工分级精度低、工作效率低等问题,基于卷积神经网络提出1种用于番茄品质分级的网络结构,并给予优化改进。设计的卷积神经网络由7个权重层(6个卷积层和1个全连接层)和4个池化层(3个最大池化层和1个全局平均池化层)构成,利用批量归一化和压缩激励模块(SE模块)进行网络结构优化。采用自采集的番茄图像数据集,通过数据增广将原1 455张图片增广至8 730张图片并进行训练和测试,用精确度、召回率、F1值(精确度和召回率的调和平均数)评估模型的各分类差异。优化后的网络模型测试精度为96.57%,比未优化的网络模型测试精度提高了2.58个百分点。并且与传统经典网络AlexNet、MobileNet-V2、NasNet-Mobile、ShuffleNet 4种模型相比,具有收敛速度更快的优势,训练时间减少了22%~96%,测试精度提高了0.18~1.89个百分点,单张照片测试时间降低了37%~83%,计算统一设备架构(CUDA)内存占用比例也得到了一定程度的降低。优化后的网络训练过程更加稳定,模型注意力更多地集中在整个番茄上,在一定程度上降低了背景干扰,提升了算法的... 相似文献
1