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。
中图分类号：TP183
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223297
中文引用格式：杨诒斌，王俊强，柴世豪. 基于CNN的智慧农场图像分类方法[J]. 电子技术应用，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.
文献标志码：A
DOI: 10.16157/j.issn.0258-7998.223297
中文引用格式：杨诒斌，王俊强，柴世豪. 基于CNN的智慧农场图像分类方法[J]. 电子技术应用，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
卷积神经网络和迁移学习或数据增强已被应用于自动可靠地对农场果蔬图像进行识别与定位。赵立新等人也将这些方法应用于农业生产中农作物病虫害识别技术，以提高分类精度。目前，SENet也广泛应用于多个领域。刘学平等在基于YOLOv3模型的特征提取中加入了SENet，改良了传统YOLOv3将图像背景识别为工件的情况，模型查全率得到有效提升。蔡伟龙等提出了一种将SENet和多头自注意力相结合的关系抽取模型，对卷积通道进行注意力加权机制以解决远程监督的噪声，检测速度和准确性获得了很大的提高。
本文介绍了一种新的混合模型，该模型将CNN与SENet分类器相结合，采用迁移学习和数据增强以优化性能，同时降低训练数据要求。经过比较实验，混合模型将MobileNet与SENet相结合，前者在4个CNN中具有最高的分类准确性。实验表明，所提技术对农场物种的分类性能良好。
本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005279
作者信息：
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）
此内容为AET网站原创，未经授权禁止转载。