典型文献
改进RegNet识别多种农作物病害受害程度
文献摘要：
针对传统农作物病害识别方法效率低、受害程度识别不准确的问题,提出了一个基于深度迁移学习和改进RegNet的多种农作物病害受害程度识别模型.该模型首先在RegNet输入端进行在线数据增强,用以提高训练样本的多样性;其次在模型的特征提取层引入了有效通道注意力机制,用以提高模型的特征提取能力;然后在模型的分类层引入多尺度特征融合策略,用以提高模型对细粒度特征的分类能力;最后使用深度迁移学习来优化模型的整体性能,加快模型的收敛速度,提高模型的泛化能力.试验结果表明,改进后的网络模型在农作物病害受害程度数据集上准确率达到了94.5％,相较于RegNet原模型准确率提高了10.4个百分点.改进后的模型具有更好的特征提取能力,对细粒度特征有更强的分类能力,该模型为农作物病害类型及其受害程度的识别提供了一种有效方法.
文献关键词：
农作物;模型;病害;RegNet;ECA注意力机制;多尺度特征融合;迁移学习
中图分类号：
作者姓名：
杜甜甜;南新元;黄家興;张文龙;马志侠
作者机构：
新疆大学电气工程学院,乌鲁木齐 830017
文献出处：
引用格式：
[1]杜甜甜;南新元;黄家興;张文龙;马志侠-.改进RegNet识别多种农作物病害受害程度)[J].农业工程学报,2022(15):150-158
A类：
B类：
RegNet,受害程度,农作物病害识别,深度迁移学习,识别模型,数据增强,提高训练,训练样本,有效通道注意力机制,特征提取能力,多尺度特征融合,融合策略,细粒度特征,使用深度,整体性能,收敛速度,泛化能力,模型准确率,百分点,病害类型,ECA
AB值：
0.198
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。
