典型文献
基于迁移学习和卷积神经网络的生菜鲜重估测
文献摘要：
为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产,提出一种利用生菜冠层图像为输入,基于迁移学习技术和卷积神经网络估测鲜重的方法,对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估测任务上的效果;同时,对比不同迁移学习方法对模型性能的影响,通过冻结卷积层和减少全连接层改善模型的参数量和训练速度.结果表明:1)AlexNet和VGG-16两种模型能较好的实现生菜鲜重的估测,AlexNet模型的决定系数R2为0.928 0,标准均方根误差NRMSE为19.08％,VGG-16模型的R2为0.938 0,NRMSE为17.71％,但VGG-16模型存在参数量大训练慢的问题,综合考虑选取AlexNet模型迁移学习后作为生菜鲜重估测模型;2)与全新学习方法相比,在预训练模型基础上对生菜鲜重数据集进行迁移学习,可以明显提升生菜鲜重估测模型的训练速度和准确度;3)冻结卷积层能显著加快模型的训练速度,训练时间可减少18％,减少全连接层在保持精度的前提下能大幅度减少模型的参数量.基于迁移学习的卷积神经网络模型可用于生菜鲜重的快速估测,该方法也可以拓展应用到其他叶类蔬菜的鲜重估测中.
文献关键词：
生菜;鲜重估测;卷积神经网络;迁移学习
中图分类号：
作者姓名：
崔庭源;杨其长;张义;徐丹;马浚诚
作者机构：
中国农业科学院农业环境与可持续发展研究所,北京100081;中国农业科学院都市农业研究所,成都610000;中国农业大学水利与土木工程学院,北京100083
文献出处：
引用格式：
[1]崔庭源;杨其长;张义;徐丹;马浚诚-.基于迁移学习和卷积神经网络的生菜鲜重估测)[J].中国农业大学学报,2022(11):197-206
A类：
鲜重估测
B类：
生菜,设施生产,生长阶段,冠层,学习技术,AlexNet,VGG,GoogLeNet,ResNet,模型迁移,迁移学习方法,模型性能,冻结,卷积层,全连接层,参数量,训练速度,决定系数,标准均方根,NRMSE,估测模型,新学,预训练模型,重数,训练时间,卷积神经网络模型,拓展应用,叶类蔬菜
AB值：
0.217545
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。
