融合ECA机制与DenseNet201的水稻病虫害识别方法
摘要：[目的/意义]针对传统人工识别病虫害存在的效率过低、成本过高等问题,提出一种融合ECA(Effi?cient Channel Attention)注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet(G-ECA DenseNet).[方法]首先在ECA机制上引入Ghost模块的思想构成G-ECA Layer结构,增强其提取特征的能力.其次,在DenseNet201原有的Dense Block前引入G-ECA Layer,使模型具有更优的通道特征提取能力.由于实验所用的数据集较小,将DenseNet201在ImageNet数据集上预训练的权重参数迁移到GE-DenseNet中.训练时,采用Focal Loss函数来解决各分类样本不均衡的问题.同时,使用Adam优化器以避免在模型训练初期由...
关键词：
DensetNet201ECA注意力机制病虫害识别迁移学习卷积神经网络Ghost模块
分类号：
S126(农业物理学)
资助基金：
江苏省现代农业发展项目 ( 2020-SJ-003-YD03 ) 扬州大学学科特区学科交叉课题 ( yzuxk202008 ) 江苏省大学生创新训练计划项目 ( 202211117065Z )
论文发表日期：
2023-04-30
在线出版日期：
2023-08-28 （万方平台首次上网日期，不代表论文的发表时间）
页数：
11 ( 45-55 )
英文信息
相关知识
基于深度学习的植物病虫害识别方法与流程
病虫害识别方法及装置与流程
一种异构特征融合的云花卉识别方法
基于机器视觉的植物病虫害实时识别方法
怎样识别花卉病虫害？庭院花卉病虫害识别方法
绿色防控措施在水稻病害防治中的应用
基于叶片图像多特征融合的观叶植物种类识别
基于注意力机制的小样本啤酒花病虫害识别
城市园林花卉常见病虫害防治与环境保护措施分析
农作物病虫害识别技术的发展综述
网址: 融合ECA机制与DenseNet201的水稻病虫害识别方法 https://m.huajiangbk.com/newsview438462.html
| 上一篇: 农业病虫害图像数据集构建关键问题 |
下一篇: 基于STM32的农业大棚智能控制 |
