基于Enhanced VGG16的油茶品种分类

S223.71; 随着油茶产业不断壮大,市场上也出现了油茶幼苗品系混乱、以假乱真、以次充好的现象,因此急需开发一种专门的分类识别算法实现不同油茶品种的准确识别.农业领域常用VGG、ResNet网络模型进行分类工作,但存在权重空间过大和准确率不高等问题.该研究对VGG16网络模型进行层间删减以及结构调整,提出了Enhanced VGG16网络模型,在油茶叶数据集上完成模型训练与测试,并与现有经典卷积神经网络(AlexNet、VGG16、Resnet50、InceptionV3、Xception)进行对比.结果表明,Enhanced VGG16网络模型的训练集准确率和测试集准确率分别为98.98％...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 38; no. 10; pp. 176 - 181
Main Authors 孟志超, 贺磊盈, 杜小强, 张国凤, 姚小华, 吴顺凯, 郭豪鉴
Format Journal Article
LanguageChinese
Published 浙江省种植装备技术重点实验室,杭州 310018%中国林业科学研究院亚热带林业研究所,杭州 311400 01.05.2022
浙江理工大学机械与自动控制学院,杭州 310018%浙江理工大学机械与自动控制学院,杭州 310018
Subjects
ReLU6
油茶叶
Enhanced VGG16
hard-Swish
深度学习
分类
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2022.10.021

Cover

More Information
Summary:S223.71; 随着油茶产业不断壮大,市场上也出现了油茶幼苗品系混乱、以假乱真、以次充好的现象,因此急需开发一种专门的分类识别算法实现不同油茶品种的准确识别.农业领域常用VGG、ResNet网络模型进行分类工作,但存在权重空间过大和准确率不高等问题.该研究对VGG16网络模型进行层间删减以及结构调整,提出了Enhanced VGG16网络模型,在油茶叶数据集上完成模型训练与测试,并与现有经典卷积神经网络(AlexNet、VGG16、Resnet50、InceptionV3、Xception)进行对比.结果表明,Enhanced VGG16网络模型的训练集准确率和测试集准确率分别为98.98％和98.44％,权重空间为90.6 MB.与原始VGG16模型相比,训练集准确率和测试集准确率分别提高3.08和2.05个百分点,权重空间下降165.4 MB,模型性能显著提升.Enhanced VGG16网络模型与经典卷积神经网络相对比,模型综合性能更优.该研究为通过油茶叶进行品种分类识别提供了依据,同时可为其他农作物品种识别提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2022.10.021