典型文献
基于深度学习YOLO模型的植物图像识别算法研究
文献摘要：
为提高YOLO模型进行植物图像快速识别的准确率,对基于深度学习YOLO模型算法进行研究.在传统网络模型的基础上,引入了可变形卷积,将损失函数加入分类函数层中,有效的提高了模型的泛化性能,结合cuDNN库进行并行计算,提高了算法的效率.采用改进的YOLOv3网络模型结合公开数据集进行测试,实现了102种植物的有效识别,平均检测时间为1.275 s,在Top-2、Top-3准确率上均达到96％,与传统YOLO算法相比,识别的准确率和效率均有提高.结果表明,所建立的基于深度学习YOLO模型,在复杂多种类植物识别方面有推广应用价值.
文献关键词：
识别算法;植物图像;YOLO模型;卷积神经网络
中图分类号：
作者姓名：
剧成宇;师艳;孙步阳
作者机构：
中国电建集团河南省电力勘测设计院有限公司,河南 郑州 450007;河南地矿职业学院,河南 郑州 450007
文献出处：
引用格式：
[1]剧成宇;师艳;孙步阳-.基于深度学习YOLO模型的植物图像识别算法研究)[J].矿山测量,2022(01):78-82
A类：
cuDNN
B类：
植物图像,图像识别,识别算法,算法研究,快速识别,模型算法,可变形卷积,损失函数,分类函数,数层,泛化性能,并行计算,YOLOv3,公开数据集,检测时间,Top,植物识别,推广应用价值
AB值：
0.34355
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。
