典型文献
基于轻量级网络自适应特征提取的番茄病害识别
文献摘要：
为了实现番茄病害的精准识别,本研究提出一种轻量级网络自适应特征提取方法.该方法首先对图片进行正形处理,然后基于SqueezeNet模型构建轻量级网络模型GKFENet.GKFENet模型包含全局特征提取和关键特征提取2个模块,其中全局特征提取模块逐层提取番茄病害叶片的全局特征,关键特征提取模块通过学习评估出特征图各通道的重要程度,计算出权重值,最后将该值加权到原特征图上,从而实现病害关键特征的自适应提取.结果显示,正形机制有助于神经网络学习特征,本研究构建的GKFENet模型的平均识别准确率为97.90％,模型大小仅为2.64 MB,且在强噪声环境下,其识别准确率仍能保持在78.00％以上.GKFENet模型在训练过程中相对稳定,对8种番茄病害的识别准确率均超过96.00％.相比Bayes、KNN、LeNet、SqueezeNet、MobileNet模型,本研究构建的GKFENet模型的识别精度高,稳定性强且占用内存小,对于移动端未来的应用具有较高的实际价值.
文献关键词：
轻量级网络;正形机制;特征提取;番茄;病害识别
中图分类号：
作者姓名：
胡玲艳;周婷;刘艳;许巍;盖荣丽;李晓梅;裴悦琨;汪祖民
作者机构：
大连大学信息工程学院,辽宁 大连 116622
文献出处：
引用格式：
[1]胡玲艳;周婷;刘艳;许巍;盖荣丽;李晓梅;裴悦琨;汪祖民-.基于轻量级网络自适应特征提取的番茄病害识别)[J].江苏农业学报,2022(03):696-705
A类：
GKFENet,正形机制
B类：
轻量级网络,网络自适应,自适应特征提取,番茄病害识别,精准识别,SqueezeNet,全局特征提取,关键特征,取模,逐层提取,学习评估,特征图,重要程度,权重值,自适应提取,神经网络学习,学习特征,研究构建,识别准确率,MB,强噪声,噪声环境,训练过程,Bayes,KNN,LeNet,MobileNet,识别精度,移动端,实际价值
AB值：
0.288428
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。
