基于CNN的智慧农场图像分类方法
2023年电子技术应用第4期
杨诒斌1，2，王俊强1，2，柴世豪1
（1.中北大学 仪器与电子学院， 山西 太原 030051；2.中北大学 前沿交叉科学研究院， 山西 太原 030051）
摘要： 为解决新疆兵团农业现代化建设中有感知无决策的问题，提出一种基于注意力机制模块（SENet）与卷积神经网络混合模型迁移学习的图像分类方法（TL-DA-SE-CNN）。该方法选择4种不同的CNN模型进行权重采集，包括VGGNet、ResNet、InceptionNet和MobileNet。模型使用SENet分类器代替卷积神经网络的全连接层，提取图像的结构性高阶统计特征进行主题分类，并使用BP算法进行参数调整，分类准确度达98.20%。实验结果表明，将CNN与迁移学习、数据增强和SENet相结合的技术提高了牲畜图像分类的性能，是卷积神经网络在农场自动化分群中的有效应用。
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
卷積神經網絡和遷移學習或數據增強已被應用于自動可靠地對農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業生產中農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分類器相結合，采用遷移學習和數據增強以優化性能，同時降低訓練數據要求。經過比較實驗，混合模型將MobileNet與SENet相結合，前者在4個CNN中具有最高的分類準確性。實驗表明，所提技術對農場物種的分類性能良好。
本文詳細內容請下載：http://www.tom3567.com/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）
此內容為AET網站原創，未經授權禁止轉載。