ResNet技术进行长势监测的方法

来源:华文易迅 时间:2022-12-29 09:00:00

「训练-考试」影像比例分析。

本文研究了无先验知识时所建立的模型在整体图象集中「训练集-测试集」之比值，并对模型是否发生过拟合进行了研究。其具体比例为：(1)训练集80%—试验集20%;(2)训练集60%—测试集40%;(3)训练集50%—测试集50%;(4)训练集40%—测试集60%;(5)训练集20%-测试集80%。

在第(1)~(5)例中，所提出的算法均有较好的分割效果，其中Precision与F-measure两项重要指标均高于0.8,SSIM和Recall值均高于0.75。在这两个案例中，SSIM最多(1)与最低(5)增长率低于10%；最大增长率(2)仅比Precision最低值(5)提高约5%。说明本文所提出的方法对训练样本大小的变化不敏感。

4概述与展望。

本文以兰花花球为研究对象，提出了一种利用改良ResNet技术进行长势监测的方法。利用自行设计的图像采集平台获得的正射图像，可准确地提取花球并判断出花球的新鲜程度。本文的主要内容如下。

(1)在传统ResNet体系结构基础上，设计了一种适用于田间实时分析的改进ResNet，通过加入SE模块，减少了网络参数数目，实现了在特征图间均衡权值，加速训练的目的。

(2)根据西兰花现行等级标准，结合实际蔬菜贸易的需要，提出了新的西兰花新鲜程度分级标准。在此基础上，采用基于微粒群模型的改进Otsu算法，实现了三种不同颜色区域的面积比估计，并将该比值与新的分级标准一一对应，从而实现收获前西兰花品质的判定和自动采收。

(3)比较了传统ResNet、GoogleNet、CIVE、ExG等基于颜色空间变换和阈值分割的方法，本文提出的方法在各个评价指标上都得到了很大的提高，有效地克服了传统方法存在的训练效率低、鲁棒性差等问题。

尽管本文提出的方法在上述方面都有一定的进步，但是仍然存在模型复杂、硬件门槛高、训练数据少等问题。未来的研究需要进一步简化网络，进行大数据下的精度校验；实现基于相关结果开发便携式终端产品，方便广大农户使用。