检索结果-南通市图书馆

光谱学与光谱分析 2023年第9期43卷 2942-2951页

作者：邓昀牛照文冯琦尧王宇广西嵌入式技术与智能系统重点实验室广西桂林541004 桂林理工大学信息科学与工程学院广西桂林541004

针对现有卷积神经网络土壤有机质(SOM)预测模型用在小样本数据集存在建模效果差,预测精度不够高等问题,为更加精准预测土壤SOM含量,以广西国有黄冕林场和国有雅长林场采集的206个土壤样品为研究对象,提出了一种改进时间卷积网络(SATCN)... 详细信息

针对现有卷积神经网络土壤有机质(SOM)预测模型用在小样本数据集存在建模效果差,预测精度不够高等问题,为更加精准预测土壤SOM含量,以广西国有黄冕林场和国有雅长林场采集的206个土壤样品为研究对象,提出了一种改进时间卷积网络(SATCN)的红壤有机质高光谱预测模型。对土壤样品进行Savitaky-Golay(SG)平滑以及一阶微分(1DR)、二阶微分(2DR)、标准正态变量(SNV)和多元散射校正(MSC)四种变换,对比分析长短记忆网络(LSTM)、偏最小二乘回归(PLSR)和支持向量机(SVM)在不同光谱预处理下的建模效果,结果表明,采用SG处理后的光谱一阶微分预处理方法,建模效果最好;在时间卷积网络(TCN)架构上,采用浅层网络结构,在TCN残差结构中加入自注意力层,提高模型特征学习能力;每个卷积核权重加入L2正则化,防止过拟合;选取一阶微分作为光谱预处理,建立ResNet-13、VGGNet-7、时间卷积网络(TCN)和改进时间卷积网络(SATCN)四种模型,对比分析四种模型建模效果,以及SATCN模型在不同网络深度下模型建模效果。结果表明,在一阶微分光谱预处理的情况下,浅层SATCN模型建模效果优于深层模型;SATCN模型中的自注意力残差结构,不仅能够强化光谱序列重要特征,模型特征学习能力和预测精度也有显著提高。相比于CNN、TCN等建模方法,提出的SATCN模型建模效果最好,拥有更高的精确度和极好的模型估测能力,验证集的决定系数(R^(2))为0.943,均方根误差(RMSE)为3.042 g·kg^(-1),相对分析误差(RPD)为4.273。综上所述,SOM含量的最佳预测模型是采用SG平滑后一阶微分光谱预处理基础上建立的SATCN预测模型,对广西林地土壤有机质含量进行更加了精准预测。

关键词：土壤高光谱有机质自注意力机制时间卷积网络

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于渐进式增长生成对抗网络的农作物病虫害细粒度分类方法研究

基于渐进式增长生成对抗网络的农作物病虫害细粒度分类方法研究

引用

作者：冯琦尧桂林理工大学

学位级别：硕士

我国作为农业大国,每年因农作物病害造成了较为严重的粮食减产。因此如何去合理有效地治理和预防农作物病虫害对保障农作物质量和产量有着重要的意义。随着深度学习技术的迅速发展,基于深度学习的图像识别方法开始广泛应用于农业领域。... 详细信息

我国作为农业大国,每年因农作物病害造成了较为严重的粮食减产。因此如何去合理有效地治理和预防农作物病虫害对保障农作物质量和产量有着重要的意义。随着深度学习技术的迅速发展,基于深度学习的图像识别方法开始广泛应用于农业领域。但是现有的研究依然存在着问题,主要表现为,在多类别农作物病虫害分类任务中,不同类别的不平衡分布所引起的识别效果差的问题,以及,由图像中目标无关物体或干扰因素所引起的识别干扰的问题。为了解决这些问题,本文使用深度学习算法,基于渐进式增长生成对抗网络提出了一种用于识别农作物病虫害的网络模型,本文主要工作和结论如下:(1)针对解决由类别分布不平衡所引起的识别效果差的问题,本文基于渐进式增长生成对抗网络和卷积注意力模块,提出一种改进的渐进式增长生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过使用均衡学习率、像素级特征向量归一化和卷积注意力模块来搭建特征提取网络,提高网络的特征提取能力,并使用小批量偏差来丰富图像特征在空间上的关系。数据集由Plant Village数据集和自采6400张农作物图像组成,共14种农作物38类病虫害。使用CPDM网络模型与VGGNet16网络、VGGNet19网络和ResNet18网络进行比较,TOP-1测试准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高了2.56%、2.41%、0.2%,且参数量仅为8.2M,能够满足在保证分类准确率的基础上,有效控制网络参数计算量的实验目的,有效解决类别分布不平衡的问题。(2)针对解决由目标无关物体或干扰因素所引起的识别干扰问题,本文基于CPDM网络搭建了双线性的CPDM网络,用于提取图像特征的高维表示,加强网络提取时局部特征与全局特征之间的联系。选用了IP102农作物病虫害数据集来进行验证,并使用低秩逼近汇聚对网络双线性池化进行了改进,使得网络参数计算量大量减少,得到了80.3%的TOP-1测试准确率,并与双线性的VGGNet16网络、双线性的VGGNet19网络、双线性的ResNet18网络和由CPDM网络和VGGNet网络或ResNet网络组成的双线性网络进行比较,实验证明双线性的CPDM网络对图像的关键特征更加敏感,对局部特征和全局特征的联系更加密切,可以在一定程度上有效解决由图像中目标无关物体或干扰因素所引起的识别干扰问题。研究结果证明,本文提出的CPDM网络可以有效地识别农作物病虫害,且可以根据实际任务进行合适的调整,有效解决不同类别的不平衡分布所引起的识别效果差的问题和由细粒度图像分类任务中目标无关物体或干扰因素所引起的识别干扰的问题。

关键词：渐进式增长生成对抗网络细粒度图像分类像素级特征农作物病虫害双线性卷积神经网络

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于渐进式生成对抗网络的农作物病虫害细粒度分类

引用

中国农机化学报 2024年第3期45卷 156-162,218,F0002页

作者：邓昀冯琦尧牛照文康燕萍桂林理工大学信息科学与工程学院广西桂林541004 广西嵌入式技术与智能系统重点实验室广西桂林541004

随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力... 详细信息

随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力模块,提出一种改进的渐进式生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过对渐进式生成对抗网络判别器网络结构的调整,采用均衡学习率、像素级特征向量归一化和卷积注意力模块增强CPDM网络模型的特征提取能力,提高对真实图片的识别准确率。试验在PlantVillage数据集上进行,将该模型与VGG16、VGG19和ResNet18进行比较,得到TOP-1准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高2.56%、2.41%、0.2%,且参数量仅为8.2 M。试验证明提出的CPDM网络模型满足在保证分类准确率的基础上,有效控制神经网络参数计算量的目的。

关键词：农作物病虫害渐进式生成对抗网络卷积注意力模块细粒度分类

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

尧头古镇:沧桑了时光

引用

新西部 2015年第1期 74-75页

作者：冯琦

去尧头古镇实属意料之外,同行的摄友并未提早安排,于是倒让这次行程多了几分意外之惊喜。尧头古镇位于陕西渭南澄城县西南,与白水、蒲城两县邻接。镇址近年从塬顶迁移下来,老镇已改称尧头村,当地人称之为“老街”。尧头古镇原名蔺庄镇,... 详细信息

去尧头古镇实属意料之外,同行的摄友并未提早安排,于是倒让这次行程多了几分意外之惊喜。尧头古镇位于陕西渭南澄城县西南,与白水、蒲城两县邻接。镇址近年从塬顶迁移下来,老镇已改称尧头村,当地人称之为“老街”。尧头古镇原名蔺庄镇,东起白家城,西至西坡村,北起澄白路,南至沟边,约四平方公里。整个遗址包括古遗址窑址,瓷片堆积层,古民居建筑群、古道、古树、作坊和高岭土等。

关键词：尧头镇古民居建筑堆积层陶瓷器西坡村澄城县南至烧制工艺古窑陶瓷窑

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：