RGSGAN-MACRNet:在样本大小有限的条件下,对不完善的玉米进行更准确的识别方法
Chenxia Wan1,2,3, Wenzheng Li1,2,3, Qinghui Zhang1,2,3
1Key Laboratory of Grain Information Processing and Control, Ministry of Education, Henan University of Technology, Zhengzhou 450001, China.
Foods (Basel, Switzerland)
|December 30, 2025
概括
结合RGSGAN和MACRNet的新AI框架提高了不完美的玉米核识别精度,特别是在有限的数据下. 这种方法通过生成高质量的样本和捕捉微妙的内核变异来提高分类性能.
科学领域:
- 农业技术 农业技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习是机器学习.
背景情况:
- 准确识别不完美的玉米粒对于农业的质量控制至关重要.
- 有限的样本大小严重降低了当前识别模型的性能.
研究的目的:
- 开发一个先进的识别框架,以克服在不完善的玉米核识别中数据稀缺的挑战.
- 在样本大小有限的条件下提高玉米核分类的准确性和稳定性.
主要方法:
- 整合剩余生成空间通道协同注意力生成对抗网络 (RGSGAN) 以获得高质量的样本生成和数据集扩展.
- 使用多尺度不对称卷积残余网络 (MACRNet) 进行多尺度特征融合和捕捉微妙变化.
- 在RGSGAN中实施Wasserstein距离与梯度处罚,以确保稳定有效的生成培训.
主要成果:
- 拟议的RGSGAN-MACRNet框架实现了98.813%的分类准确性.
- 与ResNet18,EfficientNet-v2,ConvNeXt-T和ConvNeXt-v2.2等已建立的模型相比,已经证明了显著的改进.
- 在原始数据集上训练的模型的表现优于5.29%,突出了其在有限数据的有效性.
结论:
- RGSGAN-MACRNet框架有效地解决了在不完美的玉米核识别中数据稀缺的挑战.
- 生成对抗网络和多尺度卷积网络的协同组合为农业图像分析提供了强大的解决方案.
- 这种方法显著减轻了有限数据对识别准确性的不利影响,为改善农业质量控制铺平了道路.
更多相关视频
05:55High-throughput, Microscale Protocol for the Analysis of Processing Parameters and Nutritional Qualities in Maize Zea mays L.
Published on: June 16, 2018
7.4K
10:01Quantification of Fungal Colonization, Sporogenesis, and Production of Mycotoxins Using Kernel Bioassays
Published on: April 23, 2012
18.6K
