【论文总结1——水稻种子纯度 图像】

最新推荐文章于 2025-05-12 16:57:49 发布
最新推荐文章于 2025-05-12 16:57:49 发布
阅读量883 收藏 9
点赞数 21
文章标签： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2501_90324024/article/details/147746671
版权

A novel method for identifying rice seed purity based on hybrid machine learning algorithms
基于混合机器学习算法的水稻种子纯度识别新方法

使用深度学习架构从原始数据中提取重要特征
利用深度CNN模型自动提取水稻种子图像的特征
深度CNN模型（两个主要步骤：特征提取和分类）包含多个块
因此我们的目标不仅是应用从最终块中提取的特征，还包括网络内部的其他块
两种体系结构 : VGG16  ResNet-50


VGG16 ：VGG模型，一种CNN模型，包含13个卷积和池化层，3个全连接层
VGG16架构包括五个主要模块，可以有五个选择来获取从每个块提取的特征
从网络的块1和块2提取的特征的数量相当大，导致用于存储和计算的显著资源
因此，只从最后三个块中提取特征
前两个块包括两个卷积层，每个卷积层后面是Max池化层
后三个块包含三个卷积层，每个卷积层后面是Max池化层
卷积滤波器3×3  最大池2×2
如图所示

ResNet-50
从ResNet-50第5阶段的三个块中提取的三组特征被输入到用于水稻种子分类的ML算法中
该模型共包括50层,使用快捷方式绕过一个或多个层。
这些层分为五个主要阶段
1×1卷积的作用是减少然后增加输入的维数，3×3卷积用于提取特征
如图所示


使用机器学习算法对提取的特征进行分类
决策树，DT
随机森林，RF
极端随机树 ( 额外树 )，ET
最近邻算法,K-Nearest Neighbors, KNN
逻辑回归，LR : 是一种统计方法，用于解决二元分类问题，其结果为“是”或“否”决策。
支持向量机,SVM : 是一种有监督的学习算法,其目标是找到最优超平面，使每个类中最接近的数据点之间的间隔最大化


实验使用Google Colab Pro,由Tesla T4 GPU和Persistence-M 15 G Diver版本510.47.03提供支持

六个越南水稻品种：BC 15, Huong thom 1, Nep 87, Q 5, Thien uu 8, Xi 23
越南北部
所有的种子都单独包装和贴标签，每个品种约300粒种子
使用CMOS图像传感器彩色相机（NIKON D300S）拍摄这些种子的照片
将照相机固定在距放置稻米样品的平面400mm的距离处。


实验任务是执行二进制分类
 六个文件夹 : 包含六个水稻种子品种的标记图像
每个文件夹中的若干图像被选择并标记为阳性样本
从另外五个文件夹中随机挑选图像并标记为负面图像
选择负样本的数量，使其几乎等于正样本的数量
将这些图像混合并放入一个新的文件夹中，该文件夹标有阳性样品的水稻种子的名称
因此，创建了对应于六个数据集的六个文件夹，每个文件夹包含来自被标记为阳性和阴性样品的六个品种的水稻种子的图像
如图显示了每个文件夹中阳性和阴性样本的数量

为了确保不同分类方法的公平比较，固定测试集和训练集，并应用的袋外技术来估计泛化误差

即每个数据集以67%和33%的比例进一步随机分为训练集和测试集

仅使用深度卷积神经元网络进行实验，用训练集对VGG 16和ResNet-50网络进行训练，性能差

VGG 16 只从最后三个块中提取特征，如图为使用这些模块输出的拟议方法的准确度

在ResNet-50的第5阶段中从三个块中提取的三组特征被馈送到用于水稻种子分类的ML算法


结论：所提出的混合方法的性能优于仅使用深度CNN模型或机器学习模型
其中从VGG 16的块3提取的特征和SVM算法的组合提供了最佳性能
达到了99%的最高准确

摘要
1.介绍
2.相关工作
3.数据收集
4.提到的方法 4.1.用于特征提取的深度学习
                           4.1.1.VGG16
                           4.1.2. ResNet-50
                     4.2. 机器学习算法
                           4.2.1. 决策树, DT
                           4.2.2.随机森林，RF
                           4.2.3.额外树，ET
                           4.2.4.最近邻算法,K-Nearest Neighbors, KNN
                           4.2.5.逻辑回归，LR
                           4.2.6.支持向量机,SVM
5.实验和结果 5.1.实验设置
                     5.2.深度学习方法的性能
                     5.3.使用VGG16网络的所提出方法的性能
                     5.4.使用ResNet-50网络的所提出方法的性能
6.讨论
7.结论

seed HSI
关注
目标检测YOLO实战应用案例100讲-基于无人机图像的玉米漏苗自动检测
qq_36130719的博客
02-06 654
玉米在我国农业种植中扮演着重要的角色[1]，是我国农业中的重要作物之一。玉米的 种植面积广，产量高，营养丰富，不仅是人们日常食物的主要来源，还是生产工业原料的 重要原料之一，如饲料、淀粉、酒精等。因此，玉米对我国农业和经济发展具有重要的意 义。黑龙江作为农业大省，玉米产量更是领先于其他地区，所以稳定的玉米产量对我省粮 食安全有着不言而喻的意义。玉米播种机在播种时，由于排种器或传动机构不工作等原因 都会造成漏播现象，漏播种子以及播种后不出苗等诸多原因都会造成玉米出苗的损失以及 玉米产量的降低。
[论文总结] 智慧农业论文摘要阅读概览
热门推荐
You and Me
09-13 1万+
1. Design of a winter-jujube grading robot based on machine vision（Computers and Electronics in Agriculture） 摘要：Winter-jujube(冬枣)在中国是一种新鲜的水果。 收获后,winter-jujubes需要年级分成不同的类别根据其成熟度级别。 成熟winter-jujube可以认可他们的红色。 在这项研究中,一个winter-jujube分级机器人设计。 此外,一个方法结合YOLOv3算法和
桃金娘T2T基因组-文献精读17
weixin_44874487的博客
05-30 1193
桃金娘（Rhodomyrtus tomentosa）是桃金娘科的重要肉质果树和著名的药用植物，广泛种植于世界热带和亚热带地区。然而，由于缺乏参考基因组，桃金娘的进化和基因组育种研究受到阻碍。在此，我们使用PacBio和ONT长读长测序技术，提出了桃金娘的染色体级无缺口T2T基因组组装。我们组装了大小为470.35 Mb的基因组，contig N50约为43.80 Mb，共有11条拟染色体。在该基因组中注释了33,382个基因和239.31 Mb的重复序列。
[论文笔记] 超详细解读DeepSeek v3全论文技术报告
心宝的博客
05-08 351
（可以理解为有多个专家，但每个token只会选择一部分专家进行推理，所以一个token的预测，只会用到37B参数），DeepSeek-V3 使用了。来实现高效的流水线并行（减少空泡情况，计算和通信同时进行，提升每张显卡的利用率）。对DeepSeek-V3进行了两阶段的上下文长度扩展。，在不使用采样loss帮助下，让每个专家访问次数接近）的。2、在第二阶段，进一步扩展到128K。阶段，以使其与人类偏好保持一致，并进一步释放其潜力。个不同的高质量token训练，然后进行监督微调和。，MoE）语言模型，总共。
【多模态】IMAGEBIND论文阅读
胡侃有料的博客
05-11 914
IMAGEBIND 多模态论文梗概IMAGEBIND是一种夸模态的神经网络，以图片为中心，联合六中模态的网络（图片、文字、音频、深度图、热力图、惯性测量单元）
多模态论文笔记——Coca
haopinglianlian的博客
05-12 774
本文详细介绍多模态模型Coca，在DALL·E 3中使用其作为captioner基准模型的原因和优势。
【论文阅读】Efficient and secure federated learning against backdoor attacks
wzx_442011334的博客
05-10 790
ESFL通过巧妙地结合自适应LDP和压缩感知，在抵抗后门攻击、保护隐私、维持模型效用和提高通信效率方面取得了显著的平衡和改进。然而，这种平衡是以增加一定的计算复杂度和参数调优难度为代价的，并且仍受到差分隐私和有损压缩固有局限性的影响。
23、DeepSeek-V2论文笔记
weixin_44986037的博客
05-11 1019
DeepSeek-V2论文笔记
[论文阅读]Deeply-Supervised Nets
qq_41776136的博客
05-09 950
深度监督网络（DSN）通过为每个隐藏层引入“伴随目标”，在最小化分类误差的同时，增强了隐藏层学习过程的透明性和直接性。该方法在卷积神经网络（CNN）中关注中间层的透明性、早期层特征的区分性和鲁棒性，以及梯度爆炸和梯度消失问题。DSN通过为每个隐藏层引入独立目标，显著提升了分类性能，实验结果表明在MNIST、CIFAR-10、CIFAR-100和SVHN等基准数据集上优于现有方法。DSN不仅提高了训练效率，还增强了模型的泛化能力，展示了在深度学习中的潜力。
论文阅读与写作：《从探索到突破：解密科研和论文写作的思维密码》
Edward2022的博客
05-11 847
论文阅读与写作2：本次讲座主要分享了科研和论文写作的经验，包括如何选题、如何阅读和理解论文、如何撰写论文以及如何发表论文等内容。讲座强调了科研过程中要注重数据真实、尊重他人成果、避免一稿多投等学术道德问题。同时，也分享了一些阅读和理解论文的方法，以及如何根据不同的论文类型选择合适的题目。此外，还详细解析了论文的结构和内容，以及如何根据研究方向和导师意见确定论文的创新点。最后，讲座还讨论了如何选择合适的期刊和会议进行投稿，以及如何处理评审过程中可能遇到的问题。
【论文阅读27】-TCN–BiLSTM -滑坡预测
wangshangshang09的博客
05-09 1074
这篇论文提出了一种基于 ICEEMDAN 方法和 TCN–BiLSTM 组合神经网络的滑坡位移预测模型，先用 ICEEMDAN 将滑坡位移数据分解为趋势项和波动项，分别建模预测，趋势项采用三次多项式拟合，波动项通过 TCN 提取特征并输入 BiLSTM 进行预测，最终叠加得到总位移预测值。应用于四川万家湾滑坡实测数据，结果表明该方法较传统单模型具有更高的预测精度和工程应用价值，尤其适用于降雨型滑坡的高精度预警。
【论文阅读】FreePCA
xianshuiyihui的博客
05-09 1451
中科大最新training-free视频生成模型FreePCA论文阅读
WiseAD：基于视觉-语言模型的知识增强型端到端自动驾驶——论文阅读
qq_54556560的博客
05-08 970
在这篇论文中，我们研究了基础驾驶知识的深度和广度对闭环轨迹规划的影响，并介绍了WiseAD，这是一种专为端到端自动驾驶量身定制的专用VLM，能够进行驾驶推理、动作论证、对象识别、风险分析、驾驶建议和跨不同场景的轨迹规划。大量实验表明，随着驾驶知识多样性的扩大，严重事故显著减少，在卡拉闭环评估中，驾驶分数和路线完成率分别提高了11.9%和12.4%，达到了最先进的性能。：在Carla闭环评估中，驾驶分数（DS）提升11.9%，路线完成率（RC）提升12.4%，关键事故（碰撞、闯红灯）显著减少。
【论文阅读】Attentive Collaborative Filtering:
hongjianMa的博客
05-07 905
多媒体内容正主导着当今网络信息。然而，大多数现有的协同过滤（CF）系统在多媒体推荐场景中并不理想，因为它们忽略了用户与多媒体内容互动中的“隐式性”。我们认为，在多媒体推荐中，存在两层“隐式”——项目层面（item-level）和组件层面（component-level），它们模糊了用户真实的偏好。项目层面隐式性指用户对整个项目（照片、视频、歌曲等）的偏好强度未知；组件层面隐式性指用户对项目内部不同组成部分（例如图像的不同区域、视频的不同帧）的偏好也未知。比如一次“观看”
【论文阅读】Towards Stable Backdoor Purification through Feature Shift Tuning
开心星人的博客
05-07 893
普通的微调方法在低投毒率场景下完全失效。我们的分析表明，低投毒率下，后门特征与干净特征之间的纠缠削弱了基于微调的防御效果。因此，为了提高后门净化效果，有必要将后门特征与干净特征解耦。为了解决这一问题，我们引入了一种基于微调的后门净化方法——特征偏移微调（Feature Shift Tuning，FST）。具体而言，FST通过主动使分类器权重偏离最初被篡改的权重，来鼓励特征偏移。广泛的实验表明，我们的FST在不同的攻击设置下能够提供一致且稳定的性能。
24、DeepSeek-V3论文笔记
最新发布
weixin_44986037的博客
05-12 479
DeepSeek-V3论文笔记
使用零样本LLM在现实世界环境中推广端到端自动驾驶——论文阅读
qq_54556560的博客
05-09 628
2024年12月，纽约Stony Brook大学、UIC和桑瑞思公司联合发表了一篇关于自动驾驶的论文，提出了一种新型架构，将多模态大型语言模型（LLM）集成到端到端自动驾驶模型中，以增强其在现实环境中的泛化能力。传统自动驾驶方法采用模块化设计，存在误差累积问题，而端到端方法直接从传感器数据输出动作，但需要大量训练数据。本文提出的架构通过LLM定期生成高级驾驶指令，指导端到端模型，降低了对数据的需求，且无需微调LLM。实验表明，该架构在复杂测试环境中显著提升了模型的泛化能力，最佳组合的成功率从40%提升至83
【论文阅读】Adversarial Training Towards Robust Multimedia Recommender System
hongjianMa的博客
05-07 923
随着多媒体内容在网络上的普及，迫切需要开发能够有效利用多媒体数据中丰富信息的推荐解决方案。由于深度神经网络在表示学习方面的成功，近期多媒体推荐的研究主要集中在探索深度学习方法以提升推荐准确率。然而，到目前为止，针对多媒体表示的鲁棒性及其对推荐性能影响的研究仍然很少。本文旨在揭示多媒体推荐系统的鲁棒性问题。基于最先进的推荐框架和深度图像特征，我们展示了整体系统并不鲁棒：对输入图像施加微小（但有针对性）的扰动，就会严重降低推荐准确率。
VLM-RL：用于安全自动驾驶的统一视觉语言模型和强化学习框架——论文阅读
qq_54556560的博客
05-12 813
《VLM-RL: A Unified Vision Language Models and Reinforcement Learning Framework for Safe Autonomous Driving》是由Wisconsin Madison分校和Purdue大学的研究团队于2024年12月发表的一篇论文。该论文提出了一种创新的框架VLM-RL，将预训练的视觉语言模型（VLM）与强化学习（RL）结合，以解决传统RL在自动驾驶中依赖人工设计奖励函数的问题。VLM-RL通过对比语言目标（CLG）生成语
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值