典型文献
深度学习训练数据分布对植物病害识别的影响研究
文献摘要：
[目的]通过调节训练集内实验室场景图片与田间场景图片的分布,提高深度学习模型的准确度,以减少植物病害识别深度学习模型对田间场景数据的依赖.[方法]通过调节训练集内实验室场景图片和田间场景图片的分布,使用ResNeSt-50、VGG-16、ResNet-50等3种神经网络结构分别对训练得到的深度学习模型进行测试和比较,从而优化植物病害识别模型.[结果]在由一定数量的植物病害图像组成的训练集内,调节其中不同场景图片的分布会对模型的准确率产生影响.当训练集内的田间场景图片分布达30％时,模型准确率提升18％以上.在100％实验室场景图片的训练集内添加30％田间场景图片,可提升模型准确率17％以上;在100％田间场景图片的训练集内添加实验室场景图片,模型准确率随图片数量增加而提升,提升幅度为2％～4％.[结论]该方法适用于农业复杂环境下高准确度病害识别模型的快速建立,可减少深度学习模型对田间场景数据的依赖,缩短模型建立初期的田间数据采集周期,降低田间数据采集成本,促进人工智能技术在无人农场及智慧农业中更有效地运用.
文献关键词：
植物病害;深度学习;卷积神经网络;数据分布;实验室场景;田间场景
中图分类号：
作者姓名：
王宏乐;王兴林;李文波;叶全洲;林涌海;谢辉;邓烈
作者机构：
华南理工大学环境与能源学院,广东 广州 510006;深圳市丰农控股有限公司,广东 深圳 518055;深圳市五谷网络科技有限公司,广东 深圳 518055;深圳市宇众物联科技有限公司,广东 深圳 518126
文献出处：
引用格式：
[1]王宏乐;王兴林;李文波;叶全洲;林涌海;谢辉;邓烈-.深度学习训练数据分布对植物病害识别的影响研究)[J].广东农业科学,2022(06):100-107
A类：
田间场景
B类：
学习训练,训练数据,数据分布,对植,植物病害,病害识别,训练集,实验室场景,场景图,高深,深度学习模型,和田,ResNeSt,VGG,ResNet,神经网络结构,练得,识别模型,病害图像,图像组,同场,模型准确率,准确率提升,升幅,复杂环境,高准确度,数据采集周期,低田,无人农场,智慧农业
AB值：
0.243438
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。
