使用多尺度快捷捷方式卷积神经网络,用于等离子处理大米生长的特定细粒度识别模型
Wenzhuo Chen1, Yuan Wang1, Xiaojiang Tang1
1College of Information and Electrical Engineering, China Agricultural University, Beijing, 10083, China.
Mathematical biosciences and engineering : MBE
|June 16, 2023
概括
这项研究引入了一种新型的多尺度快捷方式卷积神经网络 (MSCNN),用于识别用等离子体处理的米生长. 与传统方法相比,MSCNN模型显著提高了识别准确性.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉
- 植物科学 植物科学
背景情况:
- 低温等离子技术提供了一种环保的方法来提高作物产量和质量.
- 区分用等离子体处理的米生长是至关重要的,但研究不足.
- 传统的卷积神经网络 (CNN) 在细粒度识别任务方面存在局限性.
研究的目的:
- 开发一种有效的模型来识别用等离子体处理的米生长.
- 利用空间和局部信息来改进细粒度识别.
- 为了评估一个新的多尺度快捷方式CNN (MSCNN) 模型的性能.
主要方法:
- 在耕作阶段收集了5000张大米图像,包括血处理和对照样本.
- 提出了一个高效的多尺度快捷方式CNN (MSCNN) 模型.
- 利用跨层功能和快捷方式来增强信息提取.
主要成果:
- 该MSCNN模型实现了高性能指标:92.64%的准确性,90.87%的回忆,92.88%的精度,92.69%的F1分数.
- 在识别任务中,MSCNN的表现优于主流模型.
- 废弃实验证实,快捷方式显著提高了精度.
结论:
- 拟议的MSCNN模型有效地识别了用等离子体处理的米生长.
- 快捷方式和多尺度功能的集成是模型卓越性能的关键.
- 这项研究通过人工智能驱动的植物识别来促进农业技术的进步.
