相关实验视频
Updated: Sep 15, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.4K
可持续的深度视觉系统用于使用注意力增强的深度学习模型进行枣果质量评估
Esraa Hassan1, Sarah Abu Ghazalah2, Nora El-Rashidy1
1Faculty of Artificial Intelligence, Kafrelsheikh University, Kafrelsheikh, Egypt.
Frontiers in plant science
|July 15, 2025
概括
这项研究引入了一个增强的DenseNet121模型,以Squeeze-Excitation的注意力来准确地分类枣果. 这种新的方法实现了高精度,为农业自动化质量控制提供了实用解决方案.
科学领域:
- 计算机视觉 计算机视觉
- 农业技术 农业技术
- 机器学习 机器学习
背景情况:
- 自动化水果分类对于现代农业至关重要,但由于外观变化而具有挑战性.
- 现有的方法经常与水果图像的细微差别作斗争,需要改进的技术.
研究的目的:
- 开发和评估一种新的深度学习模型,用于增强枣果图像分类.
- 改进特征表示和模型通用化,以准确识别农产品.
主要方法:
- 在ImageNet上预先训练的DenseNet121与Squeeze-Excitation (SE) 注意力块的集成.
- 利用数据增强和Nadam优化,以提高模型性能和概括性.
- 对拟议的DenseNet121+SE模型与YOLOv8n进行了比较,用于日果的分类.
主要成果:
- 德森网121+SE模型实现了98.25%的准确性,98.02%的精度,97.02%的回忆率和97.49%的F1分数.
- YOLOv8n实现了96.04%的准确性,99.76%的精度,99.7%的回忆率和99.73%的F1分数.
- 与YOLOv8n.n.相比,拟议的模型在准确性和F1得分方面表现出优异的性能.
结论:
- 丹塞Net121+SE模型为自动化枣果分类提供了强大而有效的解决方案.
- 集成SE注意力显著提高了特征表示,提高了分类准确性.
- 这种方法为农业和食品行业的质量控制提供了一个实用的工具.
