典型文献
多尺度特征融合1D—CNN的马铃薯植株高光谱数据地物分类和缺素识别
文献摘要：
针对传统机器学习算法对高光谱数据建模步骤繁琐、常规的卷积神经网络在高光谱图像上细节表现力不强等问题,设计一种基于多尺度特征融合的网络结构.通过采样和池化层参数优化,将1D-CNN中不同深度的特征层进行融合,获得更加丰富的高光谱的判别特征.网络训练采用独热编码进行标记训练,解决了分类器处理属性数据困难的问题,在一定程度上起到了扩充特征的作用.结果表明,相比于SVM和常规1D-CNN网络,利用多尺度特征融合1D-CNN在地物分类实验中对感兴趣区域进行分类的准确率提高了63.99％和5％,在缺素识别实验中对缺氮缺磷缺钾以及正常的马铃薯叶片的识别准确率都在99％以上,其中利用该研究所提算法相比于SVM对正常叶片、缺氮叶片、缺磷叶片以及缺钾叶片的识别准确率分别提升了1.7％、6.82％、2.99％、24.8％.相比于常规1D-CNN在对正常叶片、缺钾叶片、缺磷叶片的识别准确率分别提升了0.03％,0.17％,0.76％.将多个尺度的高光谱信息特征融合并结合1D-CNN进行特征提取可提高对高光谱图像地物分类精度以及马铃薯植株的缺素识别准确率.
文献关键词：
多尺度特征融合;独立热编码;卷积神经网络;高光谱图像分类
中图分类号：
作者姓名：
高文强;肖志云
作者机构：
内蒙古工业大学电力学院,呼和浩特市,010080;内蒙古自治区机电控制重点实验室,呼和浩特市,010051
文献出处：
引用格式：
[1]高文强;肖志云-.多尺度特征融合1D—CNN的马铃薯植株高光谱数据地物分类和缺素识别)[J].中国农机化学报,2022(03):111-119
A类：
独立热编码
B类：
多尺度特征融合,1D,植株,株高,高光谱数据,地物分类,缺素,机器学习算法,数据建模,建模步骤,表现力,过采样,池化,不同深度,层进,网络训练,独热编码,分类器,属性数据,上起,感兴趣区域,缺氮,缺磷,缺钾,马铃薯叶片,识别准确率,光谱信息,信息特征,分类精度,高光谱图像分类
AB值：
0.217115
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。
