典型文献
基于卷积神经网络的农作物植株干旱检测
文献摘要：
近年来,随着计算机视觉技术的快速发展,越来越多基于图像的应用被开发出来用以解决农业生产中的问题.目前对农作物生长和产量影响最大的就是植物干旱胁迫问题.传统卷积神经网(CNN)使用直接回归玉米叶片数的算法,在实际实验中误差较大,因此该文引入CNN和Fisher向量编码联合提取多尺度特征的方法.在设计特征提取网络时参考GoogLeNet中多尺度卷积核结构,使其更适合于提取不同尺寸叶片的特征.然后,利用Fisher向量对部分中间层特征图编码,增强特征的表达能力.最后,使用随机森林回归叶片数量,并在实验中展示不同干旱程度对玉米叶片数量的影响:在一定条件下,土壤含水量与叶片数量呈正相关.该文方法与现有算法进行对比,叶片平均误差以及均方误差分别减少0.011与0.382,具有一定的研究价值.
文献关键词：
玉米干旱检测;计算机视觉;CNN;Fisher向量
中图分类号：
作者姓名：
吴建;王红军
作者机构：
广安职业技术学院,四川 广安 638000;西南交通大学,四川 成都 611756
文献出处：
引用格式：
[1]吴建;王红军-.基于卷积神经网络的农作物植株干旱检测)[J].中国测试,2022(04):102-109
A类：
玉米干旱检测
B类：
植株,计算机视觉技术,来用,作物生长,产量影响,干旱胁迫,迫问,接回,玉米叶片,中误差,Fisher,向量编码,联合提取,多尺度特征,设计特征,特征提取网络,GoogLeNet,多尺度卷积核,不同尺寸,中间层,特征图,图编码,表达能力,随机森林回归,叶片数量,干旱程度,土壤含水量,平均误差,均方误差
AB值：
0.36835
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。
