玉米叶片病害识别与分类的优化密集卷积神经网络模型

最新推荐文章于 2023-06-13 10:09:02 发布
最新推荐文章于 2023-06-13 10:09:02 发布
阅读量897 收藏 3
点赞数
分类专栏： 农作物病害识别与分类 机器学习vs计算机视觉 文章标签： 神经网络 人工智能 机器学习 深度学习 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 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/weixin_45592298/article/details/114492100
版权
机器学习vs计算机视觉 同时被 2 个专栏收录
173 篇文章 56 订阅 ¥69.90 ¥99.00
订阅专栏
农作物病害识别与分类
104 篇文章 109 订阅 ¥99.90 ¥299.90
订阅专栏
本文提出了一种优化的密集卷积神经网络（DenseNet）结构，应用于玉米叶片病害的识别和分类，准确率高达98.06%。相较于传统方法，该模型参数更少，计算效率更高。研究对比了以往使用支持向量机、KNN、ANN和多种CNN架构的方法，并在包含四种病害和健康状态的大量图像数据集上进行了实验。
摘要由CSDN通过智能技术生成

An optimized dense convolutional neural network model for disease recognition and classification in corn leaf

1、期刊信息

期刊名:Computers and Electronics in Agriculture
在这里插入图片描述

2、研究思路

关键词：人工智能、深度学习、玉米病害识别、卷积神经网络
提出了一种优化的密集卷积神经网络结构用于玉米叶部病害的识别和分类，优化后的DenseNet模型准确率达到98.06%，参数和计算时间更少。

3、研究现状介绍

【1】张等人(2015)提出了一种***改进的遗传算法支持向量机***。作者收集并分类了6种玉米叶部病害。进行以下步骤对疾病进行分类:对于图像处理，将JPEG图像转换为BMP格式。
【2】阿列根(2017)使用***KNN(K-

了解本专栏 订阅专栏 解锁全文
@@南风
关注
专栏目录
订阅专栏
基于深度卷积神经网络的玉米病害实时识别检测系统
慕云
03-06 1521
Deep Convolutional Neural Network based Detection System for Real-time Corn Plant Disease Recognition 1、期刊信息 名称：Procedia Computer Science 2、研究内容 使用由专用CNN硬件模块组成的英特尔Movidius神经计算棒，将预先训练的深度CNN模型部署到树莓pi 3上。在玉米叶部病害识别过程中，深度学习模型的准确率达88.46%，证明了该方法的可行性。提出的玉米植物病害识别模
基于深度卷积神经网络的玉米病害识别
慕云
10-04 2388
基于深度卷积神经网络的玉米病害识别 1、研究思路 算法模型是先将图像预处理，应用Tripletloss双卷积神经网络结构学习玉米图像特征，再使用SIFT算法提取图像纹理细节，最后通Softmax对图像进行标签分类。训练集采用正常玉米图像与玉米病害图像相结合的方式，使用深度相似性网络学习正常玉米图像特征表示，再使用迁移学习方法学习玉米病害图像的特征，最后对特征进行分类识别。 2、图像预处理 预处理负责图像降噪，调节白平衡，图像均值化等操作，保证图像数据规一化。再使用Faster-RCNN多目标检测算法，快速定
卷积神经网络实现玉米病害图像识别
奇迹的博客
04-27 4623
1 问题背景 需要做一篇和玉米病害识别相关的论文，找了一些资料、数据集、代码。 在玉米病害识别中，有基于图像识别直接判断是否得病，还有基于环境因素判断玉米病害影响因素。 下面是两篇示例论文： 不同专业的研究者也从不同角度出发。 从拍摄玉米叶片照片的硬件设备，到玉米照片的叶片定位，基于机器学习的玉米病害识别，基于图像处理的玉米病害识别，开发应用平台，玉米病害视频的实时诊断。 2 主要资源 在GitHub上搜索玉米病害，有搭建好的基于PlantVillage数据集的卷积神经网络实现玉米病害识别的源代码和处理
A mixed-scale dense convolutional neural network for image analysis
a18721019362的博客
03-04 1457
《A mixed-scale dense convolutional neural network for image analysis》是在PANS上发表的一篇文章，提出来一种新的不包含pooling层的网络结构。 以前我们的卷积网络都会包含pooling层，目的是为了降低特征图维度，增加网络感受野，以及增加网络非线性等其他的一些作用。pooling层的作用很强大，但是也有一个让人头疼的问题，...
玉米病害
12-23
工欲善其事必先利其器，玉米病害就是你学习这一行业最好的工具，希望玉米病害不会让你失望。PS：可下载全...该文档为玉米病害，是一份很不错的参考资料，具有较高参考价值，感兴趣的可以下载看看
玉米叶片病害识别与分类的DenseNet优化模型（公共数据集合并）
慕云
09-22 1848
An optimized dense convolutional neural network model for disease recognition and classification in corn leaf A B S T R A C T 提出了一种优化的密集卷积神经网络(CNN)体系结构(DenseNet)，用于玉米叶片病害的识别和分类。玉米是世界上种植最多的谷物之一。玉米作物对某些叶病高度敏感，如玉米普通锈病、玉米灰斑病和北方玉米叶枯病非常常见。这些叶病的症状在它们的初期阶段是无法区分的。
基于深双线性神经网络的植物病害分类（移动API+源代码）
慕云
05-04 1170
植物病害已成为农业和粮食供应的主要威胁。各种植物病害影响了植物的自然生长，受感染的植物是造成作物减产的主要因素。人工检测和鉴定植物病害需要通过专业知识进行仔细的观察检查。为了克服手动测试程序，可以采用自动识别和检测，从而提供更快、可扩展和精确的解决方案。在这项研究中，我们的工作有三方面的贡献。首先，提出了一种用于植物叶片病害识别和分类的双线性卷积神经网络。其次，我们对VGG和修剪后的Resnet进行微调，将它们用作特征提取器，并将它们连接到完全连接的密集网络。在双CNN（s）的随机优化过程中，调整超参数以达
医学信息学解锁：基于深度卷积架构的小麦病害分类
医学信息学解锁25（2021）100642使用改进的深度卷积架构的叶和穗小麦病害检测分类&Lakshay Goyala，Chandra Mani Sharma a，Anupam Singh a，Pradeep Kumar Singhb，*a印度德拉敦UPES计算机科学学院b印度加济阿巴德...
植物叶片病害的异常定位方法的研究
Brejesh Lall† and Santanu Chaudhury$OSDVIEW，†IIT Delhi and$ IIT Jodhpur†{ eez138301，brejesh} @ ee.iitd.ac.in，$schaudhury@gmail.comdview.ai摘要植物病害严重限制了农业生产，需要对植物叶片进行高通量...
玉米生长状态数据集(健康及病害)
07-08
玉米生长状态数据集，包括玉米的4种生长状态。玉米健康、大斑病、小斑病和玉米锈病，文件夹中分别用0、1、2、3表示。各类图片分别有433、354、187、432张，共1406张。
玉米叶片病害数据集，共4000多张图片
12-23
玉米叶片病害数据集，共4000多张图片，0普通锈病- 1306图像1灰色叶斑- 574图像2枯萎病-1146图像3健康- 1162图像 玉米叶片病害数据集，共4000多张图片，0普通锈病- 1306图像1灰色叶斑- 574图像2枯萎病-1146图像3健康- 1162图像
项目: 使用卷积神经网络CNN进行植物叶子分类
最新发布
踢足球的程序原的博客
06-13 1722
项目: 使用深度学习的植物叶子分类
目标检测算法——农业作物开源数据集汇总（收藏）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
04-01 8002
🎄🎄近期，小海带在空闲之余收集整理了一批农业作物开源数据集资源供大家参考。整理不易，小伙伴们记得一键三连喔！！！🎈🎈
利用卷积神经网络从叶片图像中识别玉米病
hxf-v
04-11 4767
a.介绍 这是我最近读的一篇论文，论文来自2017年第21届国际计算机科学与工程大会（ICSEC），文中针对4种玉米叶片类型识别问题自己搭建了一个网络结构，个人觉得不错，在此分享，结构比较容易用代码实现，在此就不贴代码了。 a.数据集分布 b.网络架构 c.实验 实验分为3部分。在第一部分中，我们使用5倍交叉验证从头开始训练我们提出的网络。在每个折叠中，我们使用三个数据子集，数据增加，用于训练...
Xception迁移学习：玉米叶片病害识别分类
weixin_43086747的博客
03-30 2052
玉米叶片病害识别分类
玉米叶片病害分类的深度转移模型（改进AlexNet）
慕云
05-06 1670
目前，深度学习在图像分析和目标分类中发挥着重要作用。玉米病害导致产量下降，进而成为全球农业经济损失的突出因素。此前，研究人员已经使用手工制作的特征对玉米植株的叶片疾病进行图像分类和检测。如今，深度学习的发展使得研究人员能够极大地提高目标识别和分类的准确性。因此，本文探索了快速、准确地检测玉米叶片病害的AlexNet模型。为了验证结果，我们使用了PlantVillage数据集。该数据集包含两类玉米病害，即基于叶斑的病害（灰斑病和灰斑病）和基于普通锈病的病害。前者包含1363张图片，后者包含929张图片。CNN
【AI+农业】苹果医生-叶面病虫害分类-从数据集到Fastdeploy快速部署
m0_63642362的博客
08-20 1502
使用PPLCNetV2模型进行训练，精度达到90%以上，并用FastDeploy工具在安卓端结合x86服务器快速部署模型。
主要植物叶片数据集农作物病害数据集
慕云
07-24 8989
主要植物叶片数据集 在研究植物叶片分类及其病虫害识别方法过程中，研究者们分别建立了一些不同的数据集。 数据集 Value 1 瑞典植物叶片数据集：15类，75幅。 2 ICL植物叶片数据集：220个类别，26-1078个叶片样本 3 Flaria植物叶片数据集：33类植物的1907个RGB叶片图像 4 Cleared植物叶片数据集 5 印度叶片形状数据集 6 ImageCLEF：旨在提供一个跨语言标注和检索图像的评价论坛。 7 MEW数据集 8 PlantVill
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

打赏作者

@@南风

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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