基于CNN的智慧農(nóng)場圖像分類方法
2023年電子技術應用第4期
楊詒斌1，2，王俊強1，2，柴世豪1
（1.中北大學 儀器與電子學院， 山西 太原 030051；2.中北大學 前沿交叉科學研究院， 山西 太原 030051）
摘要： 為解決新疆兵團農(nóng)業(yè)現(xiàn)代化建設中有感知無決策的問題，提出一種基于注意力機制模塊（SENet）與卷積神經(jīng)網(wǎng)絡混合模型遷移學習的圖像分類方法（TL-DA-SE-CNN）。該方法選擇4種不同的CNN模型進行權重采集，包括VGGNet、ResNet、InceptionNet和MobileNet。模型使用SENet分類器代替卷積神經(jīng)網(wǎng)絡的全連接層，提取圖像的結(jié)構性高階統(tǒng)計特征進行主題分類，并使用BP算法進行參數(shù)調(diào)整，分類準確度達98.20%。實驗結(jié)果表明，將CNN與遷移學習、數(shù)據(jù)增強和SENet相結(jié)合的技術提高了牲畜圖像分類的性能，是卷積神經(jīng)網(wǎng)絡在農(nóng)場自動化分群中的有效應用。
中圖分類號：TP183
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223297
中文引用格式： 楊詒斌，王俊強，柴世豪. 基于CNN的智慧農(nóng)場圖像分類方法[J]. 電子技術應用，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.
文獻標志碼：A
DOI: 10.16157/j.issn.0258-7998.223297
中文引用格式： 楊詒斌，王俊強，柴世豪. 基于CNN的智慧農(nóng)場圖像分類方法[J]. 電子技術應用，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)絡和遷移學習或數(shù)據(jù)增強已被應用于自動可靠地對農(nóng)場果蔬圖像進行識別與定位。趙立新等人也將這些方法應用于農(nóng)業(yè)生產(chǎn)中農(nóng)作物病蟲害識別技術，以提高分類精度。目前，SENet也廣泛應用于多個領域。劉學平等在基于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)合的關系抽取模型，對卷積通道進行注意力加權機制以解決遠程監(jiān)督的噪聲，檢測速度和準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，采用遷移學習和數(shù)據(jù)增強以優(yōu)化性能，同時降低訓練數(shù)據(jù)要求。經(jīng)過比較實驗，混合模型將MobileNet與SENet相結(jié)合，前者在4個CNN中具有最高的分類準確性。實驗表明，所提技術對農(nóng)場物種的分類性能良好。
本文詳細內(nèi)容請下載：http://m.viuna.cn/resource/share/2000005279
作者信息：
楊詒斌1，2，王俊強1，2，柴世豪1
（1.中北大學 儀器與電子學院， 山西 太原 030051；2.中北大學 前沿交叉科學研究院， 山西 太原 030051）
此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉(zhuǎn)載。