本文主要研究内容
作者苏婷婷,牟少敏,董萌萍,时爱菊(2019)在《深度迁移学习在花生叶部病害图像识别中的应用》一文中研究指出:运用深度学习方法对花生叶部病害图像进行分类时,需要大量训练样本。而花生叶部病害发生时间较短,多呈地域性分布,为叶部病害图像的采集增加难度。为降低图像采集难度,减少图像标注成本,提出了一种基于微调策略的Inception-v3花生叶部病害图像识别方法。首先迁移Inception-v3模型在茶叶叶部病害图像数据集上进行微调,然后将微调所得模型迁移至花生叶部病害图像数据集上继续训练。实验结果表明,Inception-v3、VGG19、ResNet50、卷积神经网络和微调卷积神经网络在测试集上的准确率分别为94.1%、92.9%、93.2%、80.3%和87.0%,本文提出的方法准确率为95.3%。在花生叶部病害图像数量有限时,本文提出的方法识别准确率显著提高。
Abstract
yun yong shen du xue xi fang fa dui hua sheng xie bu bing hai tu xiang jin hang fen lei shi ,xu yao da liang xun lian yang ben 。er hua sheng xie bu bing hai fa sheng shi jian jiao duan ,duo cheng de yu xing fen bu ,wei xie bu bing hai tu xiang de cai ji zeng jia nan du 。wei jiang di tu xiang cai ji nan du ,jian shao tu xiang biao zhu cheng ben ,di chu le yi chong ji yu wei diao ce lve de Inception-v3hua sheng xie bu bing hai tu xiang shi bie fang fa 。shou xian qian yi Inception-v3mo xing zai cha xie xie bu bing hai tu xiang shu ju ji shang jin hang wei diao ,ran hou jiang wei diao suo de mo xing qian yi zhi hua sheng xie bu bing hai tu xiang shu ju ji shang ji xu xun lian 。shi yan jie guo biao ming ,Inception-v3、VGG19、ResNet50、juan ji shen jing wang lao he wei diao juan ji shen jing wang lao zai ce shi ji shang de zhun que lv fen bie wei 94.1%、92.9%、93.2%、80.3%he 87.0%,ben wen di chu de fang fa zhun que lv wei 95.3%。zai hua sheng xie bu bing hai tu xiang shu liang you xian shi ,ben wen di chu de fang fa shi bie zhun que lv xian zhe di gao 。
论文参考文献
论文详细介绍
论文作者分别是来自山东农业大学学报(自然科学版)的苏婷婷,牟少敏,董萌萍,时爱菊,发表于刊物山东农业大学学报(自然科学版)2019年05期论文,是一篇关于迁移学习论文,预训练模型论文,花生叶部病害论文,图像分类论文,山东农业大学学报(自然科学版)2019年05期论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自山东农业大学学报(自然科学版)2019年05期论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。
标签:迁移学习论文; 预训练模型论文; 花生叶部病害论文; 图像分类论文; 山东农业大学学报(自然科学版)2019年05期论文;