排序方式: 共有1条查询结果,搜索用时 15 毫秒
1
1.
病害是威胁作物生长的主要因素,其特征复杂、变化多样。农业从业人员如缺乏专业知识,往往难以准确识别。以往图像识别方法常针对单一作物,图像分割后提取病害特征进行识别,无法适应多种作物。针对此问题,以水稻、番茄、柑橘、苹果为研究对象,以ResNet模型为基础构建深度学习网络框架,设计了含Squeeze-and-Excitation(SE)模块全新的全连接层,导入在ImageNet上预训练的权重,并在病害数据集上训练得到病害模型。为扩充图像数据,对训练集原图进行了亮度增减、随机旋转与镜面翻转等操作。基于扩充后的训练集进行病害识别和病害程度的分级研究。结果表明,对水稻、番茄、柑橘、苹果平均病害程度识别的准确率为94.16%,平均病害种类识别的准确率为92.45%;并利用训练好的模型基于c#.net core开发了病害监测平台,可实现作物病害的智能识别。 相似文献
1