典型文献
基于多特征融合的残差网络果树叶片病害识别
文献摘要：
为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法.该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络对尺度的适应性.带泄露修正线性单元(Leaky ReLU)激活函数用于替换修正线性单元(Recitified Lin-ear Unit,ReLU)激活函数,该函数以ReLU函数为基础,在函数的负半轴上引入一个非零斜率(Leaky),解决了ReLU函数引起的神经元死亡现象.在平均池化层和全连接层之间加入Dropout(按照一定的概率将神经网络单元暂时从网络中丢弃)操作,合理设置阈值,可以有效地防止卷积神经网络的过拟合.最后,引入SE注意力机制进一步提高网络模型的识别精度.在公共数据集Plant Village(植物村)的实验表明,改进的深度残差网络模型能够很好地识别果树叶片病害,平均准确率可达到99.4％.
文献关键词：
果树叶片;病害识别;深度残差网络;注意力机制;深度学习
中图分类号：
作者姓名：
朱帅;王金聪;任洪娥;陶锐
作者机构：
东北林业大学 信息与计算机工程学院,哈尔滨150040;东北林业大学 机电工程学院,哈尔滨150040;黑龙江省林业智能装备工程研究中心,哈尔滨150040;呼伦贝尔学院,内蒙古 呼伦贝尔021008
文献出处：
引用格式：
[1]朱帅;王金聪;任洪娥;陶锐-.基于多特征融合的残差网络果树叶片病害识别)[J].森林工程,2022(01):108-114,123
A类：
Recitified
B类：
多特征融合,果树叶片,叶片病害,病害识别,进深,病害图像识别,残差神经网络,多尺寸,卷积核,骨干网络,带泄露修正线性单元,Leaky,ReLU,激活函数,Lin,ear,Unit,该函,半轴,神经元死亡,平均池化,全连接层,Dropout,网络单元,暂时,丢弃,合理设置,设置阈值,过拟合,SE,注意力机制,识别精度,公共数据,Plant,Village,深度残差网络模型,平均准确率
AB值：
0.368617
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。
