基于轻量化卷积神经网络的番茄病害图像识别
文献摘要：
针对多数卷积神经网络模型计算资源消耗多、 占用内存大等问题,提出了一种基于轻量化卷积神经网络的番茄病害图像识别方法FTL-MobileNet.该模型通过引入Focal Loss代替交叉熵损失函数(Cross Entropy Loss),聚焦于难分类的样本,接着在全连接层添加Dropout层,防止过拟合,将MobileNetV2在ImageNet训练好的权重参数迁移到改进模型中.选用常见的几种网络模型进行对比实验.结果表明,FTL-MobileNet相比于其他模型收敛更快、 泛化能力更好、 单张图片识别耗时更低、 识别精度更高,在测试集上的平均准确率达到了99.87％,且训练好的模型仅8.74 MB.
文献关键词：
轻量化卷积神经网络;番茄;病害图像识别;FTL-MobileNet
作者机构：
贵州大学 大数据与信息工程学院, 贵州 贵阳 550025;贵州大学 农学院, 贵州 贵阳 550025
引用格式：
[1]林建吾;张欣;陈孝玉龙;陈洋;曹藤宝;喻殿智-.基于轻量化卷积神经网络的番茄病害图像识别)[J].无线电工程,2022(08):1347-1353
B类：
轻量化卷积神经网络,番茄病害,病害图像识别,数卷,卷积神经网络模型,计算资源,资源消耗,FTL,Focal,Loss,交叉熵损失函数,Cross,Entropy,难分,全连接层,Dropout,过拟合,MobileNetV2,ImageNet,练好,参数迁移,改进模型,泛化能力,单张,图片识别,识别精度,测试集,平均准确率,MB
相关知识
基于深度学习的农作物病害图像识别技术进展
基于卷积神经网络的花卉识别技术 Flower Recognition Based on Convolutional Neural Networks
【花卉识别系统】Python+卷积神经网络算法+人工智能+深度学习+图像识别+算法模型
深度学习之基于Tensorflow卷积神经网络花卉识别系统
基于卷积神经网络的皮肤病诊断系统研究
基于超轻量级全卷积神经网络的花卉识别方法
卷积神经网络的算法范文
应用卷积神经网络识别花卉及其病症
基于深度卷积神经网络的植物病虫害识别
基于卷积神经网络的花卉图像分类研究（32页）
网址: 基于轻量化卷积神经网络的番茄病害图像识别 https://m.huajiangbk.com/newsview313274.html
| 上一篇: 番茄各种病害的诊断技术 |
下一篇: 南京今年对10条主次干道进行病害 |
