《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于CNN的智慧農(nóng)場(chǎng)圖像分類方法
基于CNN的智慧農(nóng)場(chǎng)圖像分類方法
2023年電子技術(shù)應(yīng)用第4期
楊詒斌1,,2,,王俊強(qiáng)1,2,柴世豪1
(1.中北大學(xué) 儀器與電子學(xué)院,, 山西 太原 030051;2.中北大學(xué) 前沿交叉科學(xué)研究院,, 山西 太原 030051)
摘要: 為解決新疆兵團(tuán)農(nóng)業(yè)現(xiàn)代化建設(shè)中有感知無(wú)決策的問題,,提出一種基于注意力機(jī)制模塊(SENet)與卷積神經(jīng)網(wǎng)絡(luò)混合模型遷移學(xué)習(xí)的圖像分類方法(TL-DA-SE-CNN)。該方法選擇4種不同的CNN模型進(jìn)行權(quán)重采集,,包括VGGNet,、ResNet、InceptionNet和MobileNet,。模型使用SENet分類器代替卷積神經(jīng)網(wǎng)絡(luò)的全連接層,,提取圖像的結(jié)構(gòu)性高階統(tǒng)計(jì)特征進(jìn)行主題分類,并使用BP算法進(jìn)行參數(shù)調(diào)整,,分類準(zhǔn)確度達(dá)98.20%,。實(shí)驗(yàn)結(jié)果表明,將CNN與遷移學(xué)習(xí),、數(shù)據(jù)增強(qiáng)和SENet相結(jié)合的技術(shù)提高了牲畜圖像分類的性能,,是卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)場(chǎng)自動(dòng)化分群中的有效應(yīng)用,。
中圖分類號(hào):TP183
文獻(xiàn)標(biāo)志碼:A
DOI: 10.16157/j.issn.0258-7998.223297
中文引用格式: 楊詒斌,王俊強(qiáng),,柴世豪. 基于CNN的智慧農(nóng)場(chǎng)圖像分類方法[J]. 電子技術(shù)應(yīng)用,,2023,49(4):33-38.
英文引用格式: Yang Yibin,,Wang Junqiang,,Chai Shihao. Image classification of intelligent farm based on convolutional neural network[J]. Application of Electronic Technique,2023,,49(4):33-38.
Image classification of intelligent farm based on convolutional neural network
Yang Yibin1,,2,Wang Junqiang1,,2,,Chai Shihao1
(1.School of Instrumentation and Electronics, North China University,, Taiyuan 030051,, China; 2.Institute of Frontier Interdisciplinary Sciences,, North China University,, Taiyuan 030051, China)
Abstract: In order to solve the problem of perception and no decision-making in the agricultural modernization of Xinjiang Corps, an image classification method (TL-DA-SE-CNN) based on attention mechanism module (SENet) and convolutional neural network hybrid model transfer learning is proposed. This method selects four different CNN models for weight acquisition, including VGGNet, ResNet, InceptionNet and MobileNet. The model uses the SENet classifier instead of the fully connected layer of the convolutional neural network, extracts the structural high-order statistical features of the image for topic classification, and uses the BP algorithm to adjust the parameters, with a classification accuracy of 98.20%. Experimental results show that the technology of combining CNN with transfer learning, data augmentation and SENet improves the performance of livestock image classification, which is an effective application of convolutional neural network in farm automation clustering.
Key words : deep learning,;convolutional neural network,;data enhancement;the migration study

0 引言

卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)數(shù)據(jù)增強(qiáng)已被應(yīng)用于自動(dòng)可靠地對(duì)農(nóng)場(chǎng)果蔬圖像進(jìn)行識(shí)別與定位,。趙立新等人也將這些方法應(yīng)用于農(nóng)業(yè)生產(chǎn)中農(nóng)作物病蟲害識(shí)別技術(shù),,以提高分類精度。目前,,SENet也廣泛應(yīng)用于多個(gè)領(lǐng)域,。劉學(xué)平等在基于YOLOv3模型的特征提取中加入了SENet,改良了傳統(tǒng)YOLOv3將圖像背景識(shí)別為工件的情況,,模型查全率得到有效提升,。蔡偉龍等提出了一種將SENet和多頭自注意力相結(jié)合的關(guān)系抽取模型,對(duì)卷積通道進(jìn)行注意力加權(quán)機(jī)制以解決遠(yuǎn)程監(jiān)督的噪聲,,檢測(cè)速度和準(zhǔn)確性獲得了很大的提高,。

本文介紹了一種新的混合模型,該模型將CNN與SENet分類器相結(jié)合,,采用遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)以優(yōu)化性能,,同時(shí)降低訓(xùn)練數(shù)據(jù)要求。經(jīng)過比較實(shí)驗(yàn),,混合模型將MobileNet與SENet相結(jié)合,,前者在4個(gè)CNN中具有最高的分類準(zhǔn)確性,。實(shí)驗(yàn)表明,所提技術(shù)對(duì)農(nóng)場(chǎng)物種的分類性能良好,。



本文詳細(xì)內(nèi)容請(qǐng)下載:http://forexkbc.com/resource/share/2000005279




作者信息:

楊詒斌1,,2,,王俊強(qiáng)1,,2,柴世豪1

(1.中北大學(xué) 儀器與電子學(xué)院,,  山西 太原 030051,;2.中北大學(xué) 前沿交叉科學(xué)研究院, 山西 太原 030051)


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。