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

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.