| 基于改进SqueezeNet模型的多品种茶树叶片分类方法 |
| |
| 引用本文： | 孙道宗,丁郑,刘锦源,刘欢,谢家兴,王卫星. 基于改进SqueezeNet模型的多品种茶树叶片分类方法[J]. 农业机械学报, 2023, 54(2): 223-230 |
| |
| 作者姓名： | 孙道宗 丁郑 刘锦源 刘欢 谢家兴 王卫星 |
| |
| 作者单位： | 华南农业大学电子工程学院(人工智能学院),广州510642;广东省农情信息监测工程技术研究中心,广州510642;华南农业大学电子工程学院(人工智能学院),广州510642 |
| |
| 基金项目： | 广东省现代农业关键技术模式集成与示范推广项目（粤财农［2021］37号-200011）、广州市科技计划项目（202002030245）、广东省现代农业产业技术体系创新团队建设专项(2021KJ108、2021KJ108)、2020年广东省科技创新战略专项（pdjh2020a0084）和广东省大学生创新创业项目（S202010564150、202110564042） |
| |
| 摘 要： | 为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类。选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能。试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8%,增加批归一化处理后模型在测试集的准确率达到86.0%,参数量只有7.31×105,相对于改进前参数量仅增加0.8%,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8%,准确率提高0.8个百分点,参数量下降至2.46×105,模型参数量减小66.3%,运算量下降60.4%;引入注意力机制后的模型测试集分类准确率达到90.5%,...
|
| 关 键 词： | 茶树叶片分类 SqueezeNet 卷积神经网络轻量化 注意力机制 深度可分离卷积 |
| 收稿时间： | 2022-03-19 |
Classification Method of Multi-variety Tea Leaves Based on Improved SqueezeNet Model |
| |
| SUN Daozong,DING Zheng,LIU Jinyuan,LIU Huan,XIE Jiaxing,WANG Weixing. Classification Method of Multi-variety Tea Leaves Based on Improved SqueezeNet Model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2023, 54(2): 223-230 |
| |
| Authors: | SUN Daozong DING Zheng LIU Jinyuan LIU Huan XIE Jiaxing WANG Weixing |
| |
| Affiliation: | South China Agricultural University |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《农业机械学报》浏览原始摘要信息 |
|
点击此处可从《农业机械学报》下载全文 |
|
