【目的】引入?yún)^(qū)域卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN算法并對(duì)其改進(jìn),以實(shí)現(xiàn)在田間真實(shí)環(huán)境下背景復(fù)雜且具有相似病斑特征的玉米病害的智能診斷�！痉椒ā吭谟衩滋镩g和公開數(shù)據(jù)集網(wǎng)站獲取具有復(fù)雜背景的9種常見病害圖像1 150幅,人工標(biāo)注后對(duì)原始圖像進(jìn)行離線數(shù)據(jù)增強(qiáng)擴(kuò)充;對(duì)Faster R-CNN算法進(jìn)行適應(yīng)性改進(jìn),在卷積層加入批標(biāo)準(zhǔn)化處理層,引入中心代價(jià)函數(shù)構(gòu)建混合代價(jià)函數(shù),提高相似病斑的識(shí)別精度;采用隨機(jī)梯度下降算法優(yōu)化訓(xùn)練模型,分別選取4種預(yù)訓(xùn)練的卷積結(jié)構(gòu)作為Faster R-CNN的特征提取網(wǎng)絡(luò)進(jìn)行訓(xùn)練,并測(cè)試得到最優(yōu)特征提取網(wǎng)絡(luò),利用訓(xùn)練好的模型選取不同天氣條件下的測(cè)試集進(jìn)行對(duì)比,并將改進(jìn)Faster R-CNN與未改進(jìn)的Faster R-CNN和SSD算法進(jìn)行對(duì)比試驗(yàn)�！窘Y(jié)果】在改進(jìn)Faster R-CNN病害識(shí)別框架中,以VGG16卷積層結(jié)構(gòu)作為特征提取網(wǎng)絡(luò)具有更出色的性能,利用測(cè)試集圖像檢驗(yàn)?zāi)Ｐ?識(shí)別結(jié)果的平均精度為0.971 8,平均召回率為0.971 9,F1為0.971 8,總體平均準(zhǔn)確率可達(dá)97.23%;晴天的圖像識(shí)別效果優(yōu)于陰天的。改進(jìn)Faster R-CNN算法與未改...

【文章頁(yè)數(shù)】：10 頁(yè)

【文章目錄】：
1 材料與方法
    1.1 數(shù)據(jù)集的獲取
    1.2 數(shù)據(jù)集預(yù)處理
    1.3 改進(jìn)區(qū)域卷積神經(jīng)網(wǎng)絡(luò)病害檢測(cè)模型
        1.3.1 Faster R-CNN結(jié)構(gòu)及特點(diǎn)
        1.3.2 Faster R-CNN算法的改進(jìn)
    1.4 試驗(yàn)環(huán)境
    1.5 模型訓(xùn)練方法
    1.6 試驗(yàn)評(píng)價(jià)指標(biāo)
2 結(jié)果與分析
    2.1 不同特征提取網(wǎng)絡(luò)的識(shí)別性能
    2.2 識(shí)別結(jié)果與混淆矩陣
    2.3 不同天氣條件下測(cè)試集的識(shí)別效果
    2.4 與其他分類算法的對(duì)比試驗(yàn)結(jié)果
3 討論與結(jié)論



本文編號(hào)：3899389