典型文献
基于CSJMM-AS-GAC的马陆葡萄病虫害识别研究
文献摘要：
为了提高马陆葡萄病虫害的识别准确率,有效地进行马陆葡萄病虫害防控,对测地线活动轮廓模型(GAC)进行改进,通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分,从而实现准确分割病虫害图像模糊和凹陷边界,提出并建立了精确分割测地线活动轮廓模型(AS-GAC).接下来为了克服复杂背景下训练样本不足造成的误差,提出了 Core损失函数,建立了 Core-Softmax联合监督机制(CSJMM),从而确立了基于CSJMM的精确分割测地线活动轮廓模型(CSJMM-AS-GAC).结果表明,CSJMM-AS-GAC训练集初始准确率为65.46％,验证集准确率为95.67％,测试集准确率为93.95％,Kappa系数达到0.913 8,召回率达到89.21％,CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06％.CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型.
文献关键词：
马陆葡萄;病虫害识别;损失函数;分割;测地线活动轮廓模型;精确分割测地线活动轮廓模型;召回率
中图分类号：
作者姓名：
王兴旺;郑汉垣;王素青
作者机构：
上海农林职业技术学院,上海201699;上海大学计算机工程与科学学院,上海200444;上海马陆葡萄研究所,上海201818
文献出处：
引用格式：
[1]王兴旺;郑汉垣;王素青-.基于CSJMM-AS-GAC的马陆葡萄病虫害识别研究)[J].河南农业科学,2022(06):154-163
A类：
CSJMM,马陆葡萄,测地线活动轮廓模型,精确分割测地线活动轮廓模型
B类：
AS,GAC,葡萄病虫害,病虫害识别,识别准确率,病虫害防控,凹陷,接下来,复杂背景,训练样本,Core,损失函数,Softmax,联合监督,监督机制,训练集,验证集,测试集,Kappa,召回率,整体性能,识别模型
AB值：
0.103653
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
