检索结果-南通市图书馆

华南农业大学学报 2021年第3期42卷 94-101页

作者：陆健强林佳翰黄仲强王卫星邱洪斌杨瑞帆陈平福华南农业大学电子工程学院/人工智能学院广东广州510642 岭南现代农业科学与技术广东省实验室广东广州510642 广东省农情信息监测工程技术研究中心广东广州510642

【目的】解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。【方法】首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用mixup算法建立样本之... 详细信息

【目的】解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。【方法】首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用mixup算法建立样本之间的线性关系,增强模型识别数据样本的鲁棒性;然后,迁移Xception网络在ImageNet数据集上的先验知识,提出一种基于mixup算法和卷积神经网络的柑橘黄龙病果实识别模型-XResNeXt模型;最后,采用动量梯度下降优化方法,有效地减缓震荡影响,并且有效地加速模型向局部最优点收敛。【结果】采用数据扩增数据集训练的X-ResNeXt模型准确率可以达到91.38%;在进行迁移学习优化后,训练时间减少了432 s,准确率提升为91.97%;结合mixup混类数据增强进一步训练,模型准确率提升为93.74%;最后,利用动量梯度下降方法进行模型收敛优化,最终模型的准确率达到94.29%,比Inception-V3和Xception网络分别提高了3.98%和1.51%。【结论】在数据量较少情况下,降低模型复杂度并迁移已有先验知识,有助于模型性能提升;mixup混类数据增强方法有利于提高模型识别柑橘黄龙病果实图像样本的适应性,提升柑橘黄龙病果实识别模型性能;X-ResNeXt模型在准确率与召回率指标上优于经典识别模型,可为柑橘黄龙病的高精度、快速无损识别提供参考。

关键词：柑橘黄龙病 mixup算法梯度下降卷积神经网络 Xception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K-means聚类和特征空间增强的噪声标签深度学习算法

引用

智能系统学报 2024年第2期19卷 267-277页

作者：吕佳邱小龙重庆师范大学计算机与信息科学学院重庆401331 重庆市数字农业服务工程技术研究中心重庆401331

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样... 详细信息

深度学习中神经网络的性能依赖于高质量的样本,然而噪声标签会降低网络的分类准确率。为降低噪声标签对网络性能的影响,噪声标签学习算法被提出。该算法首先将训练样本集划分成干净样本集和噪声样本集,然后使用半监督学习算法对噪声样本集赋予伪标签。然而,错误的伪标签以及训练样本数量不足的问题仍然限制着噪声标签学习算法性能的提升。为解决上述问题,提出基于K-means聚类和特征空间增强的噪声标签深度学习算法。首先,该算法利用K-means聚类算法对干净样本集进行标签聚类,并根据噪声样本集与聚类中心的距离大小筛选出难以分类的噪声样本,以提高训练样本的质量;其次,使用mixup算法扩充干净样本集和噪声样本集,以增加训练样本的数量;最后,采用特征空间增强算法抑制mixup算法新生成的噪声样本,从而提高网络的分类准确率。并在CIFAR10、CIFAR100、MNIST和ANIMAL-10共4个数据集上试验验证了该算法的有效性。

关键词：噪声标签学习深度学习半监督学习机器学习神经网络 K-means聚类特征空间增强 mixup算法

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

基于改进残差网络和数据增强的鞋型识别算法

引用

电子测量技术 2021年第19期44卷 139-147页

作者：张家钧唐云祁杨智雄中国人民公安大学侦查学院北京100038

在监控视频中搜索犯罪现场出现的嫌疑鞋型是目前侦破案件的重要手段,针对该手段自动化程度低、人工筛选易漏查等问题,提出一种基于改进深度残差网络和数据增强的鞋型识别算法。为增强网络特征提取能力,对深度残差网络进行了研究,在不增... 详细信息

在监控视频中搜索犯罪现场出现的嫌疑鞋型是目前侦破案件的重要手段,针对该手段自动化程度低、人工筛选易漏查等问题,提出一种基于改进深度残差网络和数据增强的鞋型识别算法。为增强网络特征提取能力,对深度残差网络进行了研究,在不增加任何参数量的前提下改进瓶颈结构,提升算法精度;针对瓶颈结构中下采样操作存在的问题,改进下采样模块,缓解网络下采样时信息丢失问题;引入mixup和光学变换数据增强算法,建立数据之间的线性关系,丰富数据的多样性,进而增强网络模型的鲁棒性;最后,采取中心损失函数和Softmax损失函数联合训练的方法,使训练数据达到更好的聚类效果。为验证所提算法的有效性和实用性,在多背景鞋型数据集上对所提算法进行测试,测试结果表明,所提算法mAP、Rank-1精度分别达到66.83%、86.77%,可以有效提高网络识别精度。

关键词：鞋型识别残差网络瓶颈结构 mixup算法中心损失函数

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

基于卷积神经网络的柑橘黄龙病识别研究

基于卷积神经网络的柑橘黄龙病识别研究

引用

作者：黄仲强华南农业大学

学位级别：硕士

深度学习方法在农业上的应用,不仅提高了数据处理的效率和准确度,也提高了研究结果的精度。深度学习卷积神经网络通过卷积层可提取丰富、抽象的特征,具有更加精确、快速的物体识别能力,近年来受到广泛的关注。因此,本文基于深度学习物... 详细信息

深度学习方法在农业上的应用,不仅提高了数据处理的效率和准确度,也提高了研究结果的精度。深度学习卷积神经网络通过卷积层可提取丰富、抽象的特征,具有更加精确、快速的物体识别能力,近年来受到广泛的关注。因此,本文基于深度学习物体识别方法,根据果园场景下柑橘树叶和果实健康情况,采集患病树叶和患病果实图像数据集作为输入,利用深度学习卷积神经网络进行训练,建立基于卷积神经网络的柑橘患黄龙病预测模型,实现了柑橘黄龙病高精度、快速识别,为肥料灌溉策略提供依据。本文主要研究工作如下:柑橘图像数据集的建立。通过果园实地采集柑橘图像与网络爬虫技术爬取图片的方式,建立柑橘图像数据集。为了降低自然场景图像受光照的影响,选用自适应直方图均衡化方法和图像锐化方法提高图像质量、提升图像多样性。为进一步扩大训练数据规模,提高训练数据多样性,使用水平镜像翻转、旋转、裁剪,垂直与水平平移以及改变图像对比度、亮度等传统数据增强操作。基于YOLOV3的目标检测方法。采用该网络进行非柑橘和柑橘数据集的筛选,并设置参数IOU（标注框与预测框重叠部分占两框总面积的比例）为0.5,剔除了识别区域面积过小即IOU＜0.5的图片。基于Inception V3的柑橘黄龙病识别。为提高图像质量,对图像进行直方均衡化和图像锐化预处理,然而造成图像失真,可信度分别降低了7.91%和10.29%,故本论文后续并未对柑橘图像进行类似操作。考虑到对图像数据扩增依赖于原始的数据集的局限性,引入mixup算法建立样本之间线性关系,增强模型对预测样本鲁棒性。引入Cross Entropy损失函数,以避免深度学习网络梯度消失的影响。实验表明,设置mixup算法λ参数为0.2时,模型性能最优,模型识别准确率90.31%,召回率为89.23%,F1值为0.894;相比Square Loss损失函数,使用Cross Entropy函数作为损失函数准确率提高了1.58%。基于改进的Xception的柑橘图像识别。针对传统图像识别依赖人工设计特征,准确率较低的问题,本文提出一种基于改进的Xception柑橘黄龙病的识别模型,为了模型参数更好地初始化,采用了迁移学习方法。在结构上,选择了含有22层深度可分离卷积层的Xception网络作为基础网络,并采用5层Res Ne Xt拓扑结构代替最后一层输出层,加深网络深度且缓和梯度消失。最后,模型采用动量梯度下降优化方法,使模型更好地收敛到局部最优化点。实验表明,使用迁移学习方法,训练时间缩减了22分钟,准确率提高了0.61%;mixup算法λ参数设置为0.4时,准确率达到93.74%;设置动量梯度下降优化方法参数Momentum为0.9时,获得了94.29%的准确率,相比Inception V3和Xception网络分别提高了3.98%和1.51%。

关键词：柑橘黄龙病卷积神经网络数据增强 mixup算法

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

针对轻量化网络的安全帽检测方法

引用

测控技术 2022年第8期41卷 16-21,53页

作者：刘泽西张楠连婷马骏赵勇倪威国网新疆电力有限公司巴州供电公司新疆库尔勒841000 华北电力大学电气与电子工程学院北京102206

变电站内电气设备数量众多,在工人进行现场作业时需要对工人佩戴安全帽进行监测。由于机器学习的安全帽佩戴检测方法常常出现漏检和误检的情况,为提高对安全帽佩戴识别的准确率,同时加快识别速度,提出了一种基于YOLOv5s的轻量化卷积神... 详细信息

变电站内电气设备数量众多,在工人进行现场作业时需要对工人佩戴安全帽进行监测。由于机器学习的安全帽佩戴检测方法常常出现漏检和误检的情况,为提高对安全帽佩戴识别的准确率,同时加快识别速度,提出了一种基于YOLOv5s的轻量化卷积神经网络模型。通过引入RepVGG模块对网络主干进行轻量化,在网络后处理阶段通过Soft-NMS降低遮挡目标漏检率,以mixup数据增强来扩充数据集,建立样本之间的线性关系,提升训练模型泛化性能,最后进行消融实验。实验结果表明,改进的模型的均值平均精度(mAP)达到80.4%,推理速度达到了83.3 f/s,为变电站安全帽佩戴检测提供了有效参考。

关键词：深度学习安全帽检测 RepVGG mixup算法

来源：

维普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

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

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

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：