科研产出
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
一种马铃薯病害神经网络识别方法
《安徽科技学院学报 》 2022
摘要：目的:为解决马铃薯病害识别效率低和识别效果差等问题,构建一种基于卷积神经网络的马铃薯病害识别模型,以期获得更好的识别性能.方法:以卷积神经网络为基础,通过融入抑制神经元、批归一化等方法优化网络结构,提高网络的泛化能力,抑制过拟合等;选取马铃薯两种病害和健康图像作为研究对象,对图像进行增强、归一化等处理,以8:2的比例构建训练集和测试集对模型进行训练和测试.结果:该模型在精确率、召回率和调和均值评价指标上均优于对比模型,其收敛速度快,泛化能力强且鲁棒性好,与对比的模型相比具有更好的识别效果.结论:该方法为马铃薯病害的高效识别提供了新的途径.
全文链接
请求原文
首页上一页1下一页尾页
