• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物種類自動(dòng)識(shí)別算法研究

    2021-01-20 09:42:18李艷玲司海平孫昌霞
    河南科學(xué) 2020年12期
    關(guān)鍵詞:模型

    程 帥, 李艷玲, 司海平, 孫昌霞

    (河南農(nóng)業(yè)大學(xué)信息與管理科學(xué)學(xué)院,鄭州 450002)

    農(nóng)業(yè)生產(chǎn)是人類社會(huì)的重要生產(chǎn)活動(dòng)之一,與當(dāng)今社會(huì)發(fā)展及穩(wěn)定有著密切的聯(lián)系. 隨著互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,農(nóng)業(yè)生產(chǎn)已由傳統(tǒng)模式逐漸發(fā)展為精準(zhǔn)農(nóng)業(yè)作業(yè)[1-2]. 隨著“互聯(lián)網(wǎng)+”農(nóng)業(yè)項(xiàng)目的跟進(jìn),農(nóng)業(yè)數(shù)據(jù)信息采集工作也越來越便利[3]. 由于所拍攝的作物圖像會(huì)受到拍攝方法和拍攝角度的影響,且數(shù)據(jù)采集過程中產(chǎn)生的作物圖像數(shù)量極其龐大,以至于無法人工目視進(jìn)行有效識(shí)別,導(dǎo)致自動(dòng)化農(nóng)業(yè)作業(yè)較困難. 現(xiàn)如今,計(jì)算機(jī)技術(shù)不斷發(fā)展,如何快速、準(zhǔn)確識(shí)別圖像,已逐漸成為該研究領(lǐng)域的一個(gè)熱點(diǎn)問題. 參閱相關(guān)農(nóng)業(yè)領(lǐng)域文獻(xiàn)發(fā)現(xiàn),有相關(guān)學(xué)者運(yùn)用人工特征提取等方法研究作物種類識(shí)別問題,雖然提取信息較為全面,但需要大量的勞動(dòng)力和工作時(shí)間,且識(shí)別效率有待提高. 現(xiàn)階段,機(jī)器學(xué)習(xí)、圖像處理等技術(shù)發(fā)展迅速,尤其在農(nóng)業(yè)領(lǐng)域,運(yùn)用圖像處理技術(shù)對(duì)作物圖像進(jìn)行識(shí)別已逐步得到了應(yīng)用. 其中,卷積神經(jīng)網(wǎng)絡(luò)是由人工神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域發(fā)展而來的深度學(xué)習(xí)方法,對(duì)輸入的圖像可以自主學(xué)習(xí)相關(guān)特征,是解決本研究實(shí)現(xiàn)作物種類圖像自動(dòng)識(shí)別一種有效方法. 運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行作物圖像識(shí)別不僅可以提高圖像的識(shí)別率、降低算法的復(fù)雜度,且實(shí)用性較好[4].

    隨著基于圖像表層視覺特征的檢索技術(shù)發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)算法在作物識(shí)別研究中也逐漸得到了應(yīng)用,并發(fā)展成為一種有效識(shí)別方法[5]. 姜濤等[6]基于MODISQ1數(shù)據(jù),選擇了識(shí)別特征,設(shè)計(jì)了一種抗時(shí)間序列數(shù)據(jù)噪聲的冬小麥識(shí)別方法. 結(jié)果表明,冬小麥總體識(shí)別率為93%. 閔文芳等[7]通過像素分割和人工視覺觀察獲得了作物樣本并提取了顏色和紋理特征. 試驗(yàn)結(jié)果表明,四種作物的平均識(shí)別率為86%. 袁培森等[8]采集了大量菊花圖像樣本,在此數(shù)據(jù)集上進(jìn)行試驗(yàn),并與現(xiàn)有的典型系統(tǒng)對(duì)比,系統(tǒng)平均識(shí)別率可以達(dá)到0.95 左右,部分達(dá)到0.98,系統(tǒng)識(shí)別率得到明顯提升. 高震宇等[9]設(shè)計(jì)了一套鮮茶葉智能分選系統(tǒng),搭建7層結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型,識(shí)別正確率達(dá)到0.90. 魏鵬飛等[10]基于多時(shí)相GF-1/WFV 衛(wèi)星遙感影像數(shù)據(jù),構(gòu)建決策樹分層分類模型,識(shí)別玉米、水稻等四種主要作物種植分布. 結(jié)果表明,總體識(shí)別率為90.9%. Girshick 等[11]基于VGGNet,優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)及輸入圖像維度并結(jié)合數(shù)據(jù)增廣技術(shù)設(shè)計(jì)分類網(wǎng)絡(luò),番茄圖像的特征提取采用卷積方法[12]. Sa 等[13]基于卷積神經(jīng)網(wǎng)絡(luò)建立了深層網(wǎng)絡(luò)水果識(shí)別模型,以識(shí)別不同的水果圖像. Dyrmann 等[14]提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的植物種類算法,識(shí)別不同光照、分辨率和土壤類型雜草及作物圖像,識(shí)別率為86.2%. Li 等[15]基于灰度共生矩陣和Gabor(濾波器)提取紋理信息,建立光譜紋理聯(lián)合特征集. 網(wǎng)絡(luò)訓(xùn)練中加入集成學(xué)習(xí)策略,對(duì)經(jīng)典支持向量機(jī)和卷積反向傳播網(wǎng)絡(luò)分類器進(jìn)行改進(jìn). Sa 等[16]使用微型飛機(jī)收集雜草多光譜圖像,并使用編碼器-解碼器級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)識(shí)別雜草,識(shí)別效果更好.

    研究發(fā)現(xiàn),上述模型方法在作物種類圖像的自動(dòng)識(shí)別準(zhǔn)確率上已經(jīng)取得了不錯(cuò)的效果,但仍然存在著一定的提升空間,本文以Vgg16模型[17-18]、ResNet50模型[19-21]和DenseNet121[22-23]等三種模型,分別對(duì)所采集的農(nóng)作物圖像進(jìn)行訓(xùn)練和測(cè)試,以此來實(shí)現(xiàn)五類作物的自動(dòng)識(shí)別. 其中本文對(duì)DenseNet121模型選取了不同的學(xué)習(xí)率和迭代步數(shù)分別進(jìn)行試驗(yàn),對(duì)其進(jìn)行參數(shù)優(yōu)化,發(fā)現(xiàn)當(dāng)學(xué)習(xí)率為0.01和迭代步數(shù)為100時(shí),模型達(dá)到最優(yōu)效果,此時(shí)的時(shí)間復(fù)雜度最低,而識(shí)別準(zhǔn)確率最高. 最后本文以三種模型為基礎(chǔ),設(shè)計(jì)并實(shí)現(xiàn)了基于端到端卷積神經(jīng)網(wǎng)絡(luò)的作物圖像識(shí)別和分類系統(tǒng),并在網(wǎng)上下載圖片進(jìn)行實(shí)驗(yàn). 該系統(tǒng)實(shí)現(xiàn)了對(duì)五類農(nóng)作物的自動(dòng)識(shí)別,并給出該作物對(duì)應(yīng)的作物種類的識(shí)別率.

    1 模型原理與方法

    1.1 卷積網(wǎng)絡(luò)基本原理

    卷積網(wǎng)絡(luò)(convolutional neural network,CNN)是一種局部連接、權(quán)值共享的前饋式多層神經(jīng)網(wǎng)絡(luò),是為識(shí)別二維形狀而特殊設(shè)計(jì)的一種多層感知器,具有對(duì)平移、比例縮放、傾斜或其他形式的變形不變性的特點(diǎn).典型的CNN網(wǎng)絡(luò)采用BP算法通過最小化訓(xùn)練結(jié)果和真實(shí)值之間的代價(jià)函數(shù),如公式(1)所示.

    式中,| x |表示訓(xùn)練集大小,xi和yi分別表示第i個(gè)訓(xùn)練樣本和其對(duì)應(yīng)的類標(biāo)號(hào).

    卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)可分為4層:第1層為Input輸入層,第2層是Conv卷積層,第3層是Full全連接層,第4層是Output輸出層. CNN通過用已知模式訓(xùn)練卷積網(wǎng)絡(luò),是一種從輸入到輸出的非線性關(guān)系映射,它有效地在輸入與輸出之間的建立非線性映射關(guān)系. CNN 因具有位移、畸變魯棒性和并行性等而受到廣泛關(guān)注.

    1)輸入層(input layer):卷積神經(jīng)網(wǎng)絡(luò)的輸入層可以直接輸入原始數(shù)據(jù),當(dāng)輸入為圖像時(shí),輸入數(shù)據(jù)為圖像的像素值.

    2)卷積層(convolutional layer):卷積神經(jīng)網(wǎng)絡(luò)的卷積層也叫作特征提取層,包括2 個(gè)部分,第一部分是真正的卷積層,用于提取輸入數(shù)據(jù)的特征,每個(gè)不同的卷積核提取的特征都不同,卷積層的卷積核數(shù)量越多,提取的特征就越多;第二部分為pooling下采樣層,該層在保證有效信息的基礎(chǔ)上減少數(shù)據(jù)處理量,提升訓(xùn)練速度. 卷積層數(shù)越多,模型提取特征的能力更強(qiáng).

    3)全連接層(fully connected layer):可以包含多個(gè)全連接層,實(shí)際上就是普通神經(jīng)網(wǎng)絡(luò)層的隱藏層部分,全連接層的每個(gè)神經(jīng)節(jié)點(diǎn)都和前一層的每個(gè)神經(jīng)節(jié)點(diǎn)連接,同一層的神經(jīng)節(jié)點(diǎn)沒有連接,每一層的神經(jīng)節(jié)點(diǎn)通過連接線上的權(quán)值進(jìn)行前向傳播加權(quán)和計(jì)算得到下一層神經(jīng)節(jié)點(diǎn)的輸入.

    4)輸出層(output layer):輸出層的節(jié)點(diǎn)數(shù)目是根據(jù)具體任務(wù)類設(shè)定的. 例如文中使用5類農(nóng)作物圖像數(shù)據(jù)集進(jìn)行圖像識(shí)別分類,則輸出層就是一個(gè)分類器,其節(jié)點(diǎn)數(shù)目等于農(nóng)作物種類數(shù)目.

    1.2 模型介紹

    DenseNet121 模型它的基本思路與ResNet 一致,但是它建立的是前面所有層與后面層的密集連接(dense connection),它的名稱也是由此而來. DenseNet121 的另一大特色是通過特征在channel 上的連接來實(shí)現(xiàn)特征重用(feature reuse). 這些特點(diǎn)讓DenseNet121在參數(shù)和計(jì)算成本更少的情形下實(shí)現(xiàn)比ResNet50更優(yōu)的性能.

    1.3 數(shù)據(jù)采集

    作物圖像采集自河南省民權(quán)縣林場(chǎng)以及民權(quán)縣老顏集鄉(xiāng)扶貧基地,研究對(duì)象為林場(chǎng)和扶貧基地種植的蠶豆、甜瓜、番薯苗、蔥苗和小麥5類作物圖像,圖像通過高像素手機(jī)拍攝采集. 共采集15 000張,每類3000張,用于網(wǎng)絡(luò)的訓(xùn)練和測(cè)試. 為了降低訓(xùn)練樣本的多樣性不足導(dǎo)致的過擬合的概率,圖像采集過程中采取了一些措施,對(duì)農(nóng)作物進(jìn)行上午采集和下午采集,順光采集和背光采集,晴天采集和陰天采集,以多個(gè)角度進(jìn)行成像,以此增加樣本的多樣性. 采集數(shù)據(jù)如圖1所示.

    圖1 采集圖像示例Fig.1 Example of captured image

    1.4 數(shù)據(jù)預(yù)處理

    在圖像預(yù)處理方面,本文采用了一系列隨機(jī)變換的方法來增加數(shù)據(jù)集的大小. 預(yù)處理方法包括:隨機(jī)剪裁、隨機(jī)反轉(zhuǎn)、隨機(jī)亮度變換、隨機(jī)對(duì)比度變換、圖像的白化、均值與方差的均衡,前4種是為了增加訓(xùn)練數(shù)據(jù)集數(shù)量,圖像的白化是為了降低圖像明暗、光照差異引起的影響. 圖像預(yù)處理的結(jié)果示例如圖2所示,預(yù)處理后圖像大小為224×224像素.

    由于電腦內(nèi)存容量較小,在ResNet50模型中輸入224×224圖像,無法完成訓(xùn)練,只能將圖像處理至32×32的圖像作為輸入圖像,預(yù)處理后如圖3所示.

    圖2 農(nóng)作物圖像預(yù)處理示例(Vgg16和DenseNet121)Fig.2 Example of crop image preprocessing

    圖3 32×32像素預(yù)處理示例Fig.3 32×32 pixel preprocessing example

    1.5 網(wǎng)絡(luò)訓(xùn)練方法

    采用隨機(jī)梯度下降發(fā)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,每一批樣本的數(shù)量為64,權(quán)重的初始化影響網(wǎng)絡(luò)的收斂速度,本文采用均值為0,標(biāo)準(zhǔn)差為0.01的高斯分布為網(wǎng)絡(luò)層的權(quán)重隨機(jī)進(jìn)行初始化,所有卷積層和全連接層的偏置均初始化為0. 填充方法采用0填充,對(duì)網(wǎng)絡(luò)中的所有層采用相同的學(xué)習(xí)速率,初始學(xué)習(xí)率設(shè)置為0.01,訓(xùn)練過程中,當(dāng)驗(yàn)證集的分類精度停止增加的時(shí)候,則降低學(xué)習(xí)率,降低的方式是將學(xué)習(xí)速率變?yōu)楫?dāng)前速率的1/10,直至通過調(diào)整學(xué)習(xí)速率不再提高識(shí)別率為止.

    本實(shí)驗(yàn)以Tesorflow2.0為深度學(xué)習(xí)框架,在一臺(tái)配有4個(gè)AMD Athlon855 CPU和機(jī)帶RAM8GB內(nèi)存的計(jì)算機(jī)上開展相關(guān)試驗(yàn).

    2 實(shí)驗(yàn)結(jié)果與分析

    2.1 模型訓(xùn)練與校驗(yàn)

    用采集的5類農(nóng)作物15 000張圖像數(shù)據(jù)作為樣本,其中訓(xùn)練集10 000幅,驗(yàn)證集2500幅,測(cè)試集2500幅,開展相關(guān)試驗(yàn),根據(jù)網(wǎng)絡(luò)模型的識(shí)別率和函數(shù)損失來評(píng)價(jià)各個(gè)網(wǎng)絡(luò)的性能,結(jié)果如圖4~圖6所示.

    從圖4可以看出,DenseNet121模型的訓(xùn)練精度具有一定波動(dòng),但整體呈上升趨勢(shì). 在第3步迭代時(shí)出現(xiàn)了一定程度的下降,此時(shí)模型識(shí)別率也達(dá)到了最低點(diǎn)0.96. 與之相對(duì)應(yīng)的是模型的訓(xùn)練函數(shù)損失在第3步迭代時(shí)也出現(xiàn)了相對(duì)較大的波動(dòng),函數(shù)損失接近0.2. 總的來說,DenseNet121模型的訓(xùn)練和校驗(yàn)精度存在一定的波動(dòng),模型的訓(xùn)練和校驗(yàn)函數(shù)損失也與之相匹配,模型的訓(xùn)練精度有著一定的波動(dòng),整體都在0.96以上.從圖5可以看出,ResNet50模型的訓(xùn)練和校驗(yàn)識(shí)別率呈上升趨勢(shì),在第5步迭代時(shí)略有回落,最低訓(xùn)練和校驗(yàn)識(shí)別率分別在0.86和0.82以上,模型的訓(xùn)練和校驗(yàn)函數(shù)損失在第10步迭代時(shí)出現(xiàn)急速下降,之后趨于平穩(wěn).從圖6 可以看出,Vgg16 模型的訓(xùn)練和校驗(yàn)識(shí)別率趨于平穩(wěn),在第10步迭代時(shí)出現(xiàn)一定回落,訓(xùn)練和校驗(yàn)函數(shù)損失也與之相匹配,在第10步迭代后趨于穩(wěn)定.

    圖4 DenseNet121模型訓(xùn)練和校驗(yàn)的精度、損失圖Fig.4 The accuracy and loss graph of DenseNet121 model training and verification

    圖5 ResNet50模型訓(xùn)練和校驗(yàn)的精度、損失圖Fig.5 The accuracy and loss graph of ResNet50 model training and verification

    圖6 Vgg16模型訓(xùn)練和校驗(yàn)的精度、損失圖Fig.6 The accuracy and loss diagram of Vgg16 model training and verification

    不同模型對(duì)不同農(nóng)作物種類的識(shí)別率如表1 所示. 從表1可以看出,DenseNet121 模型識(shí)別率最高,達(dá)到了驚人的0.993,ResNet50模型的識(shí)別率最低,為0.924,Vgg16模型的識(shí)別率也達(dá)到了0.982,與DenseNet121模型的識(shí)別率相接近.

    表1 不同模型識(shí)別率Tab.1 Different model recognition accuracy

    2.2 DenseNet121模型優(yōu)化試驗(yàn)

    學(xué)習(xí)率調(diào)參是卷積模型調(diào)參中的重要部分,如果設(shè)置過大,可能會(huì)導(dǎo)致網(wǎng)絡(luò)跳過最優(yōu)值,如果設(shè)置過小,可能會(huì)導(dǎo)致學(xué)習(xí)的收斂速率比較慢. 參照相關(guān)資料發(fā)現(xiàn),學(xué)習(xí)率一般可采取10-4~100,將學(xué)習(xí)率分別設(shè)置0.000 1、0.001、0.01、0.1和1,模型迭代100步,試驗(yàn)結(jié)果總結(jié)如表2所示.

    表2 DenseNet121模型參數(shù)優(yōu)化結(jié)果圖Tab.2 DenseNet121 model parameter optimization results

    通過試驗(yàn)可知,當(dāng)其他參數(shù)條件一致,學(xué)習(xí)率為0.000 1和1時(shí),模型識(shí)別率最低為75%,在同一批試驗(yàn)中,隨著迭代次數(shù)的增加,模型訓(xùn)練時(shí)間縮短,隨著學(xué)習(xí)率由0.000 1逐漸升高到0.01,模型識(shí)別率也逐漸提高. 當(dāng)學(xué)習(xí)率為0.01時(shí),模型識(shí)別率較高,可達(dá)到99.3%. 結(jié)合網(wǎng)絡(luò)運(yùn)行時(shí)間和模型識(shí)別率,模型識(shí)別率選擇設(shè)置為0.01.

    2.3 模型實(shí)踐

    為了增強(qiáng)模型的可用性,實(shí)現(xiàn)作物種類圖像識(shí)別的自動(dòng)化,本研究基于三種模型(DenseNet121模型為參數(shù)優(yōu)化過的模型)進(jìn)行作物圖像識(shí)別系統(tǒng)設(shè)計(jì),然后在網(wǎng)上下載類似圖片進(jìn)行識(shí)別,識(shí)別結(jié)果如圖7所示.

    本文選擇了側(cè)拍的成簇小麥圖,這樣可以增加圖像的多樣性和復(fù)雜性,增加了系統(tǒng)識(shí)別的難度,使得農(nóng)作物識(shí)別系統(tǒng)的識(shí)別結(jié)果更加有效. 從圖7可以看出,Vgg16模型識(shí)別結(jié)果為小麥的精度達(dá)到了99.996%,識(shí)別結(jié)果為蠶豆的精度為0.002%;ResNet50模型識(shí)別結(jié)果為小麥的精度為44.944%,識(shí)別結(jié)果為甜瓜精度為7.476%,識(shí)別結(jié)果為番薯的精度為5.496%,識(shí)別結(jié)果為蔥苗的概率為6.164%,識(shí)別結(jié)果為蠶豆的結(jié)果為35.920%;而本文所進(jìn)行優(yōu)化過的DenseNet121模型識(shí)別結(jié)果為小麥的精度達(dá)到了100%,這說明本文所進(jìn)行優(yōu)化的DenseNet121模型在農(nóng)作物識(shí)別系統(tǒng)中所表現(xiàn)出的結(jié)果與另外兩種模型相比仍然具有一定的優(yōu)越性.

    圖7 農(nóng)作物自動(dòng)識(shí)別系統(tǒng)圖結(jié)果圖Fig.7 The results of the automatic crop recognition system map

    3 結(jié)論與討論

    本文以蠶豆、甜瓜、番薯苗、蔥苗和小麥圖像數(shù)據(jù)作為研究對(duì)象,以五類作物的圖像識(shí)別為研究目標(biāo),建立了試驗(yàn)樣本數(shù)據(jù)集,并對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理,運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)算法,使用三種實(shí)驗(yàn)方法,研究結(jié)論如下:

    1)根據(jù)蠶豆、甜瓜、番薯苗、蔥苗和小麥作物的形態(tài)特征,對(duì)五類作物目視進(jìn)行數(shù)據(jù)集的分類建立. 以多種采樣方式,對(duì)圖像數(shù)據(jù)及進(jìn)行劃分,并根據(jù)圖像命名規(guī)則進(jìn)行標(biāo)簽分類. 并對(duì)圖像進(jìn)行了預(yù)處理,主要是對(duì)圖像感興趣的部分進(jìn)行隨機(jī)裁剪和全景縮放,歸一化,以及閾值處理. 共采集數(shù)據(jù)圖像15 000張,每類作物各3000張,其中訓(xùn)練集10 000 幅,驗(yàn)證集2500幅,測(cè)試集2500幅.

    2)本文使用了3種識(shí)別方法和試驗(yàn)結(jié)果總結(jié)如下:在識(shí)別率方面,DenseNet121網(wǎng)絡(luò)模型識(shí)別率達(dá)到0.993左右,與Vgg16模型和ResNet50模型的識(shí)別率相比,分別提升了1.1%和6.9%,模型識(shí)別率得到了一定提升.

    3)為了擴(kuò)大適用范圍,增強(qiáng)其可用性,實(shí)現(xiàn)作物種類圖像識(shí)別的自動(dòng)化,本研究設(shè)計(jì)了名為“作物識(shí)別”的作物種類自動(dòng)識(shí)別系統(tǒng),主要用于蠶豆、甜瓜、番薯苗、蔥苗和小麥作物的種類圖像識(shí)別,不同模型對(duì)于同種作物的識(shí)別率不同,通過在網(wǎng)上下載的小麥圖像進(jìn)行實(shí)驗(yàn),本文所進(jìn)行優(yōu)化過的DenseNet121模型識(shí)別結(jié)果為小麥的精度達(dá)到了100%,另外兩種模型的識(shí)別率相對(duì)較低,這說明本文所進(jìn)行優(yōu)化的DenseNet121模型在農(nóng)作物識(shí)別系統(tǒng)中所表現(xiàn)出的結(jié)果與另外兩種模型相比具有一定的優(yōu)越性.

    隨著計(jì)算機(jī)硬件的不斷發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)方法在識(shí)別方面也得到廣泛的應(yīng)用. 然而,目前的卷積神經(jīng)網(wǎng)絡(luò)本身在結(jié)構(gòu)上相對(duì)復(fù)雜,并且需要進(jìn)行較長(zhǎng)的訓(xùn)練時(shí)間. 本文通過實(shí)驗(yàn)在農(nóng)作物種類圖像識(shí)別方面取得相應(yīng)的識(shí)別效果,但仍需要進(jìn)行以下探索:

    1)在數(shù)據(jù)集采集分類方面. 本文采用的為手工采集,由于手工采集分類極不便利,并且效率極低,因此后期可以引入半監(jiān)督方法來解決詞問題,并且可以加入通用的農(nóng)作物種類庫的數(shù)據(jù)來驗(yàn)證和提升計(jì)算效果.

    2)模型訓(xùn)練速度的優(yōu)化. 在模型訓(xùn)練速度方面,是否可以考慮將模型應(yīng)用于更高效的并行處理方式,優(yōu)化其模型訓(xùn)練速度,縮短訓(xùn)練時(shí)間,未來的研究可以從更有效的角度探討卷積神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)作物種類圖像的可行性.

    3)模型結(jié)構(gòu)參數(shù)的設(shè)定. 在卷積模型實(shí)際應(yīng)用的識(shí)別研究中,研究的重點(diǎn)是如何調(diào)整相關(guān)結(jié)構(gòu)和參數(shù),從而提高其識(shí)別率. 當(dāng)前,針對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型的參數(shù)設(shè)定,主要是憑借相關(guān)研究人員的經(jīng)驗(yàn)值,雖有對(duì)比實(shí)驗(yàn),但這方面的規(guī)律可以進(jìn)一步研究及總結(jié). 同時(shí),本文設(shè)計(jì)的系統(tǒng)應(yīng)用程序側(cè)重于作物圖像的識(shí)別功能,系統(tǒng)功能相對(duì)較單一,日后可以進(jìn)一步研究系統(tǒng)的其他功能及特性.

    猜你喜歡
    模型
    一半模型
    一種去中心化的域名服務(wù)本地化模型
    適用于BDS-3 PPP的隨機(jī)模型
    提煉模型 突破難點(diǎn)
    函數(shù)模型及應(yīng)用
    p150Glued在帕金森病模型中的表達(dá)及分布
    函數(shù)模型及應(yīng)用
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    3D打印中的模型分割與打包
    99精品久久久久人妻精品| 国产伦一二天堂av在线观看| 老司机在亚洲福利影院| 成人av一区二区三区在线看| av欧美777| 国产黄a三级三级三级人| 亚洲av第一区精品v没综合| 1024手机看黄色片| 最新美女视频免费是黄的| 欧美乱码精品一区二区三区| 91字幕亚洲| 久久天堂一区二区三区四区| 男女视频在线观看网站免费| x7x7x7水蜜桃| 天堂影院成人在线观看| 在线观看免费视频日本深夜| 国产欧美日韩一区二区三| 听说在线观看完整版免费高清| 一夜夜www| 禁无遮挡网站| 久99久视频精品免费| 国产69精品久久久久777片 | 精品国产亚洲在线| 成人国产一区最新在线观看| 日韩欧美一区二区三区在线观看| 久久精品91无色码中文字幕| 亚洲精品乱码久久久v下载方式 | 久久伊人香网站| www日本在线高清视频| 2021天堂中文幕一二区在线观| 成人特级av手机在线观看| 麻豆成人午夜福利视频| 99热这里只有是精品50| 久久久久久人人人人人| 麻豆国产97在线/欧美| 后天国语完整版免费观看| 国产在线精品亚洲第一网站| 午夜视频精品福利| 国产精品日韩av在线免费观看| 欧美日韩一级在线毛片| 国产av麻豆久久久久久久| 免费在线观看影片大全网站| 国产黄a三级三级三级人| 亚洲国产色片| 99久久99久久久精品蜜桃| 亚洲av成人不卡在线观看播放网| 国产精品爽爽va在线观看网站| 在线观看日韩欧美| 精品久久久久久久人妻蜜臀av| ponron亚洲| 亚洲熟妇熟女久久| 99热6这里只有精品| 国产1区2区3区精品| av福利片在线观看| 成人国产综合亚洲| 日韩免费av在线播放| 九色成人免费人妻av| 美女cb高潮喷水在线观看 | 亚洲熟妇中文字幕五十中出| 亚洲人成电影免费在线| 99久久精品一区二区三区| 午夜福利高清视频| 亚洲国产欧美人成| 精品无人区乱码1区二区| 小蜜桃在线观看免费完整版高清| 欧美av亚洲av综合av国产av| 国产精品 国内视频| 久久伊人香网站| 黄色成人免费大全| 美女高潮喷水抽搐中文字幕| 99久久国产精品久久久| 天天一区二区日本电影三级| 免费av毛片视频| 久久久久国内视频| 99精品在免费线老司机午夜| 午夜免费成人在线视频| 天天添夜夜摸| 人妻久久中文字幕网| 欧美日韩瑟瑟在线播放| 免费av毛片视频| 桃红色精品国产亚洲av| 啦啦啦韩国在线观看视频| 亚洲自偷自拍图片 自拍| 99视频精品全部免费 在线 | 久久精品91无色码中文字幕| 一级作爱视频免费观看| 成年女人毛片免费观看观看9| 一本精品99久久精品77| 在线国产一区二区在线| 久久久久免费精品人妻一区二区| 在线十欧美十亚洲十日本专区| 1024手机看黄色片| 国产亚洲精品久久久com| 99热6这里只有精品| 99国产精品99久久久久| 人人妻,人人澡人人爽秒播| 国产一区二区三区在线臀色熟女| 国模一区二区三区四区视频 | 一区二区三区激情视频| 成年女人看的毛片在线观看| 日韩欧美精品v在线| 亚洲精品美女久久久久99蜜臀| 香蕉丝袜av| 国产成人一区二区三区免费视频网站| 91在线观看av| 丰满的人妻完整版| 操出白浆在线播放| 757午夜福利合集在线观看| 久久精品国产亚洲av香蕉五月| 91久久精品国产一区二区成人 | 可以在线观看毛片的网站| ponron亚洲| 亚洲性夜色夜夜综合| 成年女人毛片免费观看观看9| 婷婷亚洲欧美| 变态另类丝袜制服| 免费看日本二区| 手机成人av网站| 免费av毛片视频| 亚洲色图 男人天堂 中文字幕| 亚洲 欧美一区二区三区| 成人国产一区最新在线观看| 久久亚洲真实| 99久久精品一区二区三区| 最好的美女福利视频网| 亚洲精品久久国产高清桃花| 亚洲中文日韩欧美视频| 亚洲片人在线观看| 一级作爱视频免费观看| 欧美不卡视频在线免费观看| 久久热在线av| 97超级碰碰碰精品色视频在线观看| 宅男免费午夜| 99国产综合亚洲精品| 午夜激情欧美在线| 少妇的丰满在线观看| 亚洲午夜理论影院| 国产精品99久久99久久久不卡| 亚洲乱码一区二区免费版| 99在线人妻在线中文字幕| 亚洲五月天丁香| 女人被狂操c到高潮| 一本综合久久免费| 村上凉子中文字幕在线| 嫩草影院精品99| 男人的好看免费观看在线视频| 很黄的视频免费| 午夜精品一区二区三区免费看| 99国产精品一区二区三区| 两个人的视频大全免费| 久久精品aⅴ一区二区三区四区| 俄罗斯特黄特色一大片| 日韩有码中文字幕| 国产久久久一区二区三区| 国产一区二区三区视频了| 九九热线精品视视频播放| 欧美中文日本在线观看视频| 亚洲中文字幕日韩| 欧美日韩乱码在线| 久久久精品大字幕| 中文字幕人成人乱码亚洲影| 在线观看免费午夜福利视频| 变态另类成人亚洲欧美熟女| 偷拍熟女少妇极品色| 国产久久久一区二区三区| 免费在线观看影片大全网站| 国产黄色小视频在线观看| 精品久久久久久久久久久久久| 免费在线观看影片大全网站| 午夜亚洲福利在线播放| 啦啦啦韩国在线观看视频| 日韩成人在线观看一区二区三区| 亚洲色图 男人天堂 中文字幕| 91九色精品人成在线观看| 国内揄拍国产精品人妻在线| 在线观看日韩欧美| 在线a可以看的网站| 国产欧美日韩精品亚洲av| 女人被狂操c到高潮| 99视频精品全部免费 在线 | 欧洲精品卡2卡3卡4卡5卡区| 老汉色∧v一级毛片| 俄罗斯特黄特色一大片| 人妻丰满熟妇av一区二区三区| 亚洲美女黄片视频| 最近最新中文字幕大全免费视频| 久久人妻av系列| 国产精品影院久久| 亚洲五月天丁香| 精品久久久久久久久久免费视频| 老熟妇乱子伦视频在线观看| 12—13女人毛片做爰片一| 久久99热这里只有精品18| 岛国在线免费视频观看| 欧美成人免费av一区二区三区| 成人精品一区二区免费| 此物有八面人人有两片| 亚洲精品粉嫩美女一区| 嫩草影院入口| 亚洲成a人片在线一区二区| 欧美一级a爱片免费观看看| 波多野结衣高清无吗| 欧美黑人巨大hd| 免费一级毛片在线播放高清视频| 久久精品国产清高在天天线| 亚洲成a人片在线一区二区| 日本成人三级电影网站| 狠狠狠狠99中文字幕| 亚洲在线自拍视频| 热99在线观看视频| 亚洲一区高清亚洲精品| 久久久久久九九精品二区国产| 99国产精品一区二区蜜桃av| 亚洲午夜理论影院| 亚洲,欧美精品.| 国产伦在线观看视频一区| 国产又色又爽无遮挡免费看| 99久久精品国产亚洲精品| 国产亚洲av高清不卡| 成在线人永久免费视频| 久久久精品大字幕| 国产精品久久久人人做人人爽| 国产成人aa在线观看| 国产精品99久久99久久久不卡| 亚洲av日韩精品久久久久久密| 蜜桃久久精品国产亚洲av| 午夜福利高清视频| 青草久久国产| 亚洲色图av天堂| 成人特级av手机在线观看| 成人18禁在线播放| 欧美在线黄色| 美女高潮的动态| 亚洲中文字幕一区二区三区有码在线看 | 精品国产美女av久久久久小说| 免费在线观看亚洲国产| 老汉色∧v一级毛片| 日韩av在线大香蕉| 中文资源天堂在线| 国产精品日韩av在线免费观看| 欧美国产日韩亚洲一区| 啦啦啦免费观看视频1| 免费观看的影片在线观看| 久久午夜综合久久蜜桃| 中文亚洲av片在线观看爽| 久久中文看片网| 精品熟女少妇八av免费久了| 麻豆一二三区av精品| 1000部很黄的大片| 麻豆国产97在线/欧美| 非洲黑人性xxxx精品又粗又长| 久久精品亚洲精品国产色婷小说| 久久婷婷人人爽人人干人人爱| 中亚洲国语对白在线视频| 在线播放国产精品三级| 国产精品一区二区精品视频观看| 精品国产三级普通话版| 欧美zozozo另类| www.熟女人妻精品国产| 国产精品久久久久久亚洲av鲁大| 别揉我奶头~嗯~啊~动态视频| 婷婷精品国产亚洲av| 亚洲性夜色夜夜综合| 怎么达到女性高潮| 色吧在线观看| 欧美国产日韩亚洲一区| 亚洲国产看品久久| 少妇的丰满在线观看| 国产爱豆传媒在线观看| 欧美色视频一区免费| 国产精品98久久久久久宅男小说| 欧美zozozo另类| 亚洲av成人一区二区三| 久久久久久国产a免费观看| 亚洲天堂国产精品一区在线| 国产高清激情床上av| aaaaa片日本免费| 精品国产超薄肉色丝袜足j| 欧美zozozo另类| 国产亚洲精品av在线| 国产欧美日韩精品亚洲av| svipshipincom国产片| 亚洲美女黄片视频| 欧美色欧美亚洲另类二区| av在线蜜桃| 中国美女看黄片| 成人永久免费在线观看视频| 成年女人永久免费观看视频| 成人一区二区视频在线观看| 国产精品一区二区三区四区久久| 国产高清三级在线| 男女下面进入的视频免费午夜| 桃色一区二区三区在线观看| 日韩欧美国产一区二区入口| 无人区码免费观看不卡| 午夜视频精品福利| 亚洲色图 男人天堂 中文字幕| 亚洲精品一卡2卡三卡4卡5卡| 国产伦人伦偷精品视频| 欧美乱色亚洲激情| 视频区欧美日本亚洲| 夜夜躁狠狠躁天天躁| 国产蜜桃级精品一区二区三区| 久久久久国产一级毛片高清牌| 神马国产精品三级电影在线观看| 国产麻豆成人av免费视频| 亚洲中文字幕一区二区三区有码在线看 | 99精品在免费线老司机午夜| 国产欧美日韩精品亚洲av| 国产人伦9x9x在线观看| 久久天堂一区二区三区四区| 亚洲欧洲精品一区二区精品久久久| 国产一区二区在线观看日韩 | 久久伊人香网站| 美女免费视频网站| 免费看日本二区| 婷婷精品国产亚洲av在线| 欧美色视频一区免费| 亚洲熟女毛片儿| 日本 欧美在线| 国内精品一区二区在线观看| 亚洲七黄色美女视频| 久久精品国产综合久久久| 国产精品九九99| 亚洲在线观看片| 国产91精品成人一区二区三区| 午夜成年电影在线免费观看| 精品国产三级普通话版| 日韩欧美在线二视频| 美女免费视频网站| 午夜福利成人在线免费观看| 一区福利在线观看| 欧美中文综合在线视频| 亚洲美女视频黄频| 99久久成人亚洲精品观看| 国产又色又爽无遮挡免费看| 99热这里只有精品一区 | 精品无人区乱码1区二区| 每晚都被弄得嗷嗷叫到高潮| 一级作爱视频免费观看| 亚洲专区中文字幕在线| 国产成人一区二区三区免费视频网站| 久久欧美精品欧美久久欧美| 欧美色欧美亚洲另类二区| 97碰自拍视频| 两人在一起打扑克的视频| 日韩精品青青久久久久久| 国产成人aa在线观看| 一区二区三区高清视频在线| 别揉我奶头~嗯~啊~动态视频| 色哟哟哟哟哟哟| 亚洲精品久久国产高清桃花| 国产精品久久久久久久电影 | 久久热在线av| 亚洲熟妇中文字幕五十中出| 日韩大尺度精品在线看网址| 久久香蕉国产精品| 亚洲国产欧美网| 午夜福利免费观看在线| 成人精品一区二区免费| 舔av片在线| 欧美日本视频| 少妇裸体淫交视频免费看高清| 亚洲一区二区三区不卡视频| 99国产综合亚洲精品| 欧美日本视频| 男女之事视频高清在线观看| 手机成人av网站| 免费搜索国产男女视频| 国产亚洲av高清不卡| 性色avwww在线观看| 一级黄色大片毛片| 国产亚洲av嫩草精品影院| 网址你懂的国产日韩在线| 欧美黑人巨大hd| 国语自产精品视频在线第100页| 夜夜爽天天搞| 熟女电影av网| 日韩高清综合在线| 亚洲一区二区三区色噜噜| 亚洲欧美日韩高清专用| 亚洲专区中文字幕在线| 两人在一起打扑克的视频| 欧美日本亚洲视频在线播放| 少妇的丰满在线观看| 美女免费视频网站| 日本在线视频免费播放| 久久精品夜夜夜夜夜久久蜜豆| 国产成人啪精品午夜网站| 久久精品aⅴ一区二区三区四区| svipshipincom国产片| 麻豆成人av在线观看| 久久亚洲真实| 夜夜看夜夜爽夜夜摸| 青草久久国产| 色哟哟哟哟哟哟| 欧美日韩一级在线毛片| 国产男靠女视频免费网站| 欧美黄色淫秽网站| av欧美777| 国产av一区在线观看免费| 色吧在线观看| 窝窝影院91人妻| 欧美性猛交黑人性爽| 日韩欧美在线乱码| 男女之事视频高清在线观看| 婷婷精品国产亚洲av| 又大又爽又粗| 999精品在线视频| 在线观看免费午夜福利视频| 男女午夜视频在线观看| 人妻久久中文字幕网| 草草在线视频免费看| 丰满人妻熟妇乱又伦精品不卡| 国产91精品成人一区二区三区| 久久久久久久久免费视频了| 国产一区二区激情短视频| 日韩欧美在线乱码| 日日干狠狠操夜夜爽| 国产黄片美女视频| 午夜精品在线福利| 1000部很黄的大片| xxxwww97欧美| 国产不卡一卡二| 在线播放国产精品三级| АⅤ资源中文在线天堂| 亚洲中文日韩欧美视频| 亚洲精品中文字幕一二三四区| 免费无遮挡裸体视频| 高清毛片免费观看视频网站| 国内少妇人妻偷人精品xxx网站 | 久久久成人免费电影| 男女那种视频在线观看| 一进一出抽搐gif免费好疼| 小说图片视频综合网站| 制服丝袜大香蕉在线| 一区二区三区国产精品乱码| 亚洲av日韩精品久久久久久密| 国内精品久久久久精免费| 国产精品,欧美在线| 亚洲avbb在线观看| 神马国产精品三级电影在线观看| 久99久视频精品免费| 色哟哟哟哟哟哟| 国产精品久久视频播放| 日韩国内少妇激情av| a级毛片a级免费在线| 最新美女视频免费是黄的| 男人舔女人下体高潮全视频| 成人鲁丝片一二三区免费| 大型黄色视频在线免费观看| 久久午夜亚洲精品久久| 欧美日韩综合久久久久久 | 在线视频色国产色| 国内精品久久久久久久电影| 三级国产精品欧美在线观看 | 一级黄色大片毛片| 亚洲av熟女| 激情在线观看视频在线高清| 欧美成狂野欧美在线观看| 男人舔女人的私密视频| 少妇的丰满在线观看| 国产免费av片在线观看野外av| 国内精品久久久久精免费| 噜噜噜噜噜久久久久久91| 成人高潮视频无遮挡免费网站| 亚洲精华国产精华精| 我的老师免费观看完整版| 亚洲欧美激情综合另类| 久久这里只有精品中国| 怎么达到女性高潮| 日韩欧美免费精品| 国产精品亚洲一级av第二区| 国产麻豆成人av免费视频| 97人妻精品一区二区三区麻豆| 国产v大片淫在线免费观看| 久久人人精品亚洲av| 亚洲成a人片在线一区二区| 久久久久亚洲av毛片大全| 国产成人aa在线观看| 国产亚洲精品久久久久久毛片| 一个人观看的视频www高清免费观看 | 9191精品国产免费久久| 亚洲精品粉嫩美女一区| 久久久精品大字幕| 在线免费观看的www视频| 天堂影院成人在线观看| 最新中文字幕久久久久 | 成年版毛片免费区| 性色av乱码一区二区三区2| 国产熟女xx| 亚洲av电影在线进入| 少妇的逼水好多| 哪里可以看免费的av片| 精品久久久久久久久久免费视频| 久久久水蜜桃国产精品网| 久久精品亚洲精品国产色婷小说| 性色avwww在线观看| 伊人久久大香线蕉亚洲五| 色av中文字幕| 一二三四社区在线视频社区8| 久久精品国产综合久久久| 国产精品 国内视频| 午夜视频精品福利| 色av中文字幕| 亚洲精品美女久久av网站| 国产亚洲精品一区二区www| 最近最新免费中文字幕在线| 好男人电影高清在线观看| 欧美另类亚洲清纯唯美| 日韩三级视频一区二区三区| 少妇熟女aⅴ在线视频| 两性夫妻黄色片| 亚洲美女黄片视频| 国产高清三级在线| 在线观看美女被高潮喷水网站 | xxx96com| 叶爱在线成人免费视频播放| 国产亚洲精品久久久久久毛片| 非洲黑人性xxxx精品又粗又长| 久久精品aⅴ一区二区三区四区| 日日夜夜操网爽| 最近最新中文字幕大全免费视频| 两个人的视频大全免费| 成人三级做爰电影| 波多野结衣高清作品| 免费在线观看视频国产中文字幕亚洲| 青草久久国产| 丁香欧美五月| 啦啦啦韩国在线观看视频| 两个人视频免费观看高清| 麻豆久久精品国产亚洲av| 久久精品国产99精品国产亚洲性色| 国产91精品成人一区二区三区| 9191精品国产免费久久| 18禁裸乳无遮挡免费网站照片| 国产精品久久久久久亚洲av鲁大| www.熟女人妻精品国产| 舔av片在线| 九九在线视频观看精品| 色视频www国产| 国产91精品成人一区二区三区| 亚洲国产日韩欧美精品在线观看 | 九色国产91popny在线| 听说在线观看完整版免费高清| 99视频精品全部免费 在线 | 国产私拍福利视频在线观看| 91在线观看av| 亚洲五月婷婷丁香| 成人三级黄色视频| 亚洲欧美日韩高清在线视频| 两个人视频免费观看高清| 国产高潮美女av| 亚洲avbb在线观看| 成人特级av手机在线观看| 变态另类成人亚洲欧美熟女| 精品一区二区三区四区五区乱码| 国产精品久久久人人做人人爽| 9191精品国产免费久久| 午夜福利视频1000在线观看| 少妇人妻一区二区三区视频| 脱女人内裤的视频| 91久久精品国产一区二区成人 | 在线观看舔阴道视频| 亚洲中文av在线| 亚洲av片天天在线观看| 听说在线观看完整版免费高清| 一级毛片高清免费大全| 国产一区二区三区在线臀色熟女| 好看av亚洲va欧美ⅴa在| 亚洲精品中文字幕一二三四区| 国产精品99久久99久久久不卡| 嫁个100分男人电影在线观看| 99久久久亚洲精品蜜臀av| 国产成人av教育| 国产野战对白在线观看| 真实男女啪啪啪动态图| 51午夜福利影视在线观看| 免费在线观看影片大全网站| 法律面前人人平等表现在哪些方面| 90打野战视频偷拍视频| 成人特级黄色片久久久久久久| 中出人妻视频一区二区| 国产一区二区激情短视频| 在线十欧美十亚洲十日本专区| 熟女人妻精品中文字幕| 亚洲激情在线av| 国产精品99久久久久久久久| 99精品久久久久人妻精品| 国产蜜桃级精品一区二区三区| 好看av亚洲va欧美ⅴa在| 精品欧美国产一区二区三| 国内揄拍国产精品人妻在线| netflix在线观看网站| 毛片女人毛片| 人妻夜夜爽99麻豆av| 色视频www国产| 色噜噜av男人的天堂激情| 久久人妻av系列| 久久久久久久午夜电影| 成人精品一区二区免费| 久久中文字幕人妻熟女| 欧美精品啪啪一区二区三区| 精品国产乱码久久久久久男人| av福利片在线观看| 国产精品美女特级片免费视频播放器 | 久久久国产欧美日韩av| 少妇的丰满在线观看| 久久久久久久久久黄片| 国产精品亚洲美女久久久| 美女cb高潮喷水在线观看 | 热99re8久久精品国产| 色在线成人网| 最近最新中文字幕大全电影3| 欧美日韩中文字幕国产精品一区二区三区|