科研产出
一种基于改进卷积神经网络的玉米病害高效识别模型
《安徽科技学院学报 》 2023
摘要：目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题，提出一种改进的卷积神经网络模型，以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型，利用Dropout策略、L2正则化、早停法等优化网络，通过设置不同的初始学习率和批大小，对复杂环境下的6种典型的玉米病害进行分类试验研究，并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.007 7 s。与对比模型相比，新模型的识别时间最短，测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.805 2、0.157 8,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点，为玉米病害的精准高效识别提供了新的方法。
关键词： 玉米病害 卷积神经网络 模型改进 特征提取 识别精度
全文链接
请求原文
一种基于深度学习的玉米病害识别方法
《安徽科技学院学报 》 2023
摘要：目的:针对现有玉米病害种类繁多、识别方法耗时耗力等问题，对传统卷积神经网络结构进行改进和优化，提出Corn＿Modle新型玉米病害自主识别模型。方法:构建含有6种玉米病害种类的数据集，并对其进行数据增强和预处理；将新建模型在训练集上进行训练，利用测试集对其进行试验验证。结果:Corn＿Modle模型的准确率为96.85%,参与对比的AlexNet、LeNet-5、ResNet50、MobileNet等4种经典模型的准确率分别为93.98%、77.06%、63.44%和87.25%,在准确率、精准度、召回率等评价指标上优于对比模型。结论:新构建的Corn＿Modle模型在准确率、鲁棒性和稳定性方面比传统的经典模型表现更好，可为玉米等农作物病害识别技术的发展提供参考。
全文链接
请求原文
首页上一页1下一页尾页
