English
分享
扫码分享
English
农业农村部主管 农业农村部南京农业机械化研究所主办
ISSN 2096-7217 CN 32-1887/S2
论文检索
引文检索
站内检索
高级检索
Toggle navigation
智能化农业装备学报(中英文)
主办单位
首页
关于期刊
期刊介绍
编委会
开放获取声明
道德声明
学术不端界定
期刊导航
最新录用
当期目录
过刊浏览
热点文章
专辑专题
引用排行
点击排行
下载排行
作者中心
在线投稿
投稿须知
同行评审
著作权转让协议
资费标准
下载中心
审稿中心
专家在线审稿
编辑在线办公
主编在线办公
收录网站
中国知网
万方数据
维普网
超星期刊
业务合作
支持单位
广告合作
联系我们
联系我们
期刊订阅
检索结果
期刊
出版年
关键词
结果中检索
(((王国伟[Author]) AND 1[Journal]) AND year[Order])
AND
OR
NOT
文题
作者
作者单位
关键词
摘要
分类号
DOI
Please wait a minute...
全选
下载引用
EndNote
Reference Manager
ProCite
BibTeX
RefWorks
显示/隐藏图片
Select
基于卷积神经网络的玉米病害识别方法研究
*
王国伟, 刘嘉欣
智能化农业装备学报(中英文) 2021, 2 (1): 64-70. DOI:
10.12398/j.issn.2096-7217.2021.01.009
摘要
(
237
)
PDF
(1477KB)(
46
)
可视化
为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。
参考文献
|
相关文章
|
相关统计