• <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MobileNetV3的馬鈴薯病害識別

    2022-06-12 01:20:07徐振南王建坤胡益嘉張智聰趙旭東楊琳琳李文峰
    江蘇農(nóng)業(yè)科學 2022年10期
    關鍵詞:遷移學習馬鈴薯

    徐振南 王建坤 胡益嘉 張智聰 趙旭東 楊琳琳 李文峰

    摘要:針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡在馬鈴薯葉部病害識別中結構復雜、參數(shù)龐大,難以實現(xiàn)在移動設備上的良好應用的問題,提出一種基于輕量級卷積神經(jīng)網(wǎng)絡和遷移學習的馬鈴薯葉部病害識別方法。首先,采集馬鈴薯葉部病害圖像樣本,再運用GrabCut算法進行圖像分割;再基于 MobileNetV3構建病害識別基礎模型,并通過調(diào)整模型結構及寬度系數(shù)α等方式對模型進行優(yōu)化,最后運用遷移學習的方式將預訓練參數(shù)遷移至優(yōu)化模型進行訓練。結果表明,該方法對馬鈴薯健康、晚疫病、早疫病、炭疽病及其他病害葉部圖像識別準確率為 98.00%,模型權重僅為0.68 MB,識別速率為0.014 s/幅。本研究結果可為馬鈴薯葉部病害識別在移動設備上應用的實現(xiàn)提供理論支持。

    關鍵詞:馬鈴薯;葉部病害;GrabCut;MobileNetV3;遷移學習;小樣本

    中圖分類號: TP391.41? 文獻標志碼: A

    文章編號:1002-1302(2022)10-0176-07

    馬鈴薯是我國四大糧食作物之一,目前,已知馬鈴薯病害有100余種,其中晚疫病和早疫病造成的危害最為嚴重,馬鈴薯早疫病發(fā)病嚴重時減產(chǎn)可達30%以上[1],晚疫病則可造成高達80%~100%的減產(chǎn)[2]。傳統(tǒng)馬鈴薯病害識別通常為專家直接對患病部位進行觀察,如晚疫病發(fā)病初期在葉尖或葉緣有水浸狀綠褐色斑點[3]。該方法具有較高的準確率,但效率較低,且受限于專家數(shù)量,難以實現(xiàn)有效推廣。

    由于計算機智能識別技術在對農(nóng)業(yè)病害進行檢測識別時,具有無損、快速的特點[4],故被廣泛應用于病害識別。趙建敏等用8層CNN+softmax分層卷積神經(jīng)網(wǎng)絡模型識別了簡單背景單一病斑[5];孫文杰等使用一種基于VGGNet-BiLSTM的算法實現(xiàn)了對桃樹葉部病害圖像的識別[6];謝裕睿等通過構造恒等殘差塊和卷積殘差塊來搭建20層的ResNet模型識別了5種常見煙草病害[7]。上述研究在圖像識別領域取得了良好效果,但其所采用的模型存在深度及參數(shù)過大等不足。目前,農(nóng)業(yè)病害識別趨向于模型結構小型化、實用化,以期更好地實現(xiàn)其在移動端的應用。楊森等提出一種基于輕量卷積網(wǎng)絡的馬鈴薯外部缺陷無損分級方法,識別準確率為96.04%[8]。劉洋等基于MobileNet與IncptionV3提出2種輕量級卷積神經(jīng)網(wǎng)絡作物病害分類模型[9]。以上研究表明,輕量級卷積神經(jīng)網(wǎng)絡模型在減少網(wǎng)絡參數(shù)量的同時,可保證較高的識別準確率,適用于移動端。

    本研究提出一種基于MobileNetV3優(yōu)化和遷移學習方法的馬鈴薯葉部病害圖像識別方法,并從訓練、測試準確率及損失函數(shù)、模型權重和識別速率等方面對模型進行評估,為開發(fā)移動端的馬鈴薯害智能識別系統(tǒng)提供模型構建技術支持。

    1 圖像數(shù)據(jù)集及預處理

    1.1 試驗數(shù)據(jù)

    圖像數(shù)據(jù)采集點為云南省昭通市,為體現(xiàn)樣本多樣性,選用不同品牌手機、相機進行拍攝,拍攝角度、時間、地點等多樣化。此外,通過互聯(lián)網(wǎng)公開數(shù)據(jù)集收集部分樣本,收獲馬鈴薯健康葉部圖像39幅、晚疫病61幅、早疫病50幅、炭疽病54幅以及其他病害33幅,總計獲得葉部圖像237幅,部分原始圖像如圖1所示。

    1.2 濾波去噪

    實際拍攝所得圖像通常會存在不同數(shù)量的噪聲,這些噪聲會對圖像識別造成一定干擾。因此,為有效過濾圖像中椒鹽噪聲等噪聲信息,采用均值濾波、高斯濾波以及中值濾波方式對圖像進行圖像平滑濾波處理,處理后部分圖像示例如圖2所示。

    1.3 圖像分割

    由于部分圖像拍攝時背景相對復雜,會對病害識別造成一定干擾,因此運用GrabCut算法對部分背景相對復雜的樣本進行圖像分割,提取害病葉片圖像,削弱背景影響。GrabCut算法于2004年由Rother等提出,其通過圖像中所蘊含的紋理(顏色)信息以及邊界(反差)信息,僅需少量的用戶交互操作,再結合圖像處理算法,即可取得良好的分割結果[10],具體如圖3所示。

    1.4 圖像增強

    在對樣本圖像特征信息進行收集時,通過多種方式對原始數(shù)據(jù)進行數(shù)據(jù)增廣,可提升模型泛化能力,提高模型的魯棒性[11]。對于數(shù)據(jù)集的數(shù)據(jù)分布,擴充后數(shù)據(jù)集中各類訓練樣本數(shù)量相同、分布均勻,這使得模型對于各類別的學習過程不會偏向某一類或某幾類,所得模型泛化能力較強[12]。因此,要對分割后的數(shù)據(jù)集進行一定程度的數(shù)據(jù)擴充。

    首先,將分割后數(shù)據(jù)集按照8 ∶2的比例隨機劃分訓練集和測試集。其次,通過旋轉(zhuǎn)、水平翻轉(zhuǎn)、平移、對比度增強、改變色度的方式增強圖像數(shù)據(jù),將劃分后的數(shù)據(jù)集擴充至每類200張,共1 000張圖片,擴充后訓練集和測試集比例仍為8 ∶2。為探究圖像分割對識別效果的影響,不分割原始圖像重復上述操作建立數(shù)據(jù)集。圖像分割并增強后部分示例如圖4所示。

    因采集工具多樣,故原始圖像分辨率不統(tǒng)一,在訓練前將圖像進行歸一化、標準化處理。將訓練集圖片隨機大小、隨機長寬比進行裁剪,再重置圖片為224×224像素;重置測試集圖片為256×256像素,再中心裁剪為224×224像素,最后將圖片統(tǒng)一轉(zhuǎn)化成tensor張量并進行標準化處理。

    2 馬鈴薯葉部病害識別模型

    2.1 MobileNetV3網(wǎng)絡模型

    卷積神經(jīng)網(wǎng)絡由AlexNet[13]到VGGNet[14],再到GoogleNet[15]、 ResNet[16],網(wǎng)絡性能不斷提升,但網(wǎng)絡也是不斷加深,由此引發(fā)效率問題,該問題一定程度上決定著CNN在實際生活中的應用。谷歌于2017年提出MobileNets模型[17],于2019年提出MobileNetV3模型[18],其基本網(wǎng)絡單元如圖5所示。

    由圖5可知,相較于ResNet模型,該模型運用了MobileNetV2模型[19]中的倒置殘差結構(inverted residuals),該結構先升維,深度可分離卷積后再降維,深度可分離卷積主要起減少網(wǎng)絡參數(shù),加快運行速度的作用[20]。在此之上,還根據(jù)Mnas Net(谷歌提出的一種移動平臺感知神經(jīng)結構搜索)[21]引入基于壓縮獎懲(squeeze and excitation,SE)結構的輕量級注意力模型,SE結構能通過訓練過程在特征圖上自行分配權重,使網(wǎng)絡從全局信息出發(fā)選擇性地放大有價值的特征通道并抑制無用的特征通道[22]。

    此外,相較于EfficientNet模型[23],MobileNetV3加入一種新的激活函數(shù)Hard-swish,如公式(1)所示。

    h-swish[x]=xReLU(x+3)6。(1)

    式中:x為輸入;ReLU為ReLU激活函數(shù)。

    MobileNetV3模型識別準確率高、尺寸小,適用于移動端,但目前將其用于作物病害識別研究較少,為實現(xiàn)將馬鈴薯葉部病害識別模型應用于移動端的任務,要對該模型部分網(wǎng)絡結構進行修改。該模型可分為MobileNetV3-Large和Small,因本研究針對小樣本數(shù)據(jù)集進行研究,故選用MobileNetV3-Small網(wǎng)絡,具體結構如表1所示。

    2.2 模型改進設計

    由于需要識別的葉片類型為5類,因此將表1中最后一個卷積層輸出通道數(shù)由1 000修改為5,將此模型記作MobileNetV3-S0,并以此模型作為后續(xù)改進的基礎模型。

    為減少模型參數(shù)并保持其在馬鈴薯葉片數(shù)據(jù)集上的性能,基于MobileNetV3-S0進行修改:將超參數(shù)reduce_divider由1調(diào)整為4,修改后網(wǎng)絡結構如圖6所示,并將該模型命名為MobileNetV3-S1。

    由圖6可知,超參數(shù)reduce_divider將影響bneck模塊9的輸出通道數(shù),bneck模塊10、11的輸入、輸出以及bneck內(nèi)倒殘差結構進行升維后的通道數(shù),其表現(xiàn)如下述公式所示。

    Final Output=Output/reduce_divider。(2)

    式中:Final Output為最終輸出通道數(shù);Output為輸出通道數(shù)。

    深度學習的網(wǎng)絡深度過深將帶來梯度不穩(wěn)定,網(wǎng)絡退化等問題。因此,為選擇合適的模型深度,對MobileNetV3-S1進行如下操作:移除bneck模塊6~8,將bneck模塊9的輸入通道數(shù)由48縮減為40,并將bneck模塊9~11的輸出通道數(shù)由96縮減為48,并將改動后模型命名為MobileNetV3-S2,詳見圖7。

    圖像輸入分辨率、網(wǎng)絡的深度以及寬度3個參數(shù)的合理化配置對網(wǎng)絡性能具有一定的影響。寬度大而深度較淺的網(wǎng)絡很難學習到更深層次的特征。故在降低網(wǎng)絡深度的同時,有必要進一步調(diào)整網(wǎng)絡寬度。對MobileNetV3-S2進行如下操作:將超參數(shù)寬度系數(shù)α由默認的1改為0.5;為進一步降低網(wǎng)絡深度和計算成本,減少參數(shù)量:移除bneck模塊5,最終將該模型命名為MobileNetV3-S3,詳見圖8。

    考慮到數(shù)據(jù)集相對較小,直接用于網(wǎng)絡訓練將產(chǎn)生過擬合或準確率較低等問題。遷移學習可以考慮到大部分數(shù)據(jù)和任務間的相關性,將使用其他大批量數(shù)據(jù)訓練所得模型來訓練新數(shù)據(jù),從而減少訓練步驟,縮短訓練時間,并增加數(shù)據(jù)量,從而降低過擬合程度[24]。故將在公開數(shù)據(jù)集PlantVillage上進行預訓練的模型參數(shù),遷移至馬鈴薯葉部病害識別模型,縮短模型訓練時間,提高模型泛化性。

    3 結果與分析

    3.1 試驗環(huán)境與相關參數(shù)設置

    試驗軟件環(huán)境為Windows10操作系統(tǒng),使用python3.8.5編程語言,以Pytorch作為深度學習開源框架,CUDA11.0編程平臺。試驗硬件環(huán)境為16 GB內(nèi)存,NVIDIA GeForce RTX2060顯卡,搭載IntelCoreTMi7-10875H@5.10 GHz CPU處理器。

    在訓練前,將樣本數(shù)據(jù)分為多個批次(Batch),綜合考慮樣本數(shù)量及計算機的硬件環(huán)境,本研究在試驗過程中將Batch大小設置為32,模型迭代次數(shù)(Epoch)設為100次。

    3.2 試驗設計

    綜合考慮硬件設備性能及訓練效果,在相同條件下對同一模型進行訓練,包括采用2種不同的遷移學習訓練方式(只訓練全連接層與訓練全部層)、不同學習率、3種不同濾波方式對圖像數(shù)據(jù)進行處理以及圖像分割與否等情況進行試驗,同時在相同條件下對不同網(wǎng)絡模型進行訓練對比試驗。

    3.3 模型性能的影響因素分析

    3.3.1 學習率對模型性能的影響

    進行深度學習模型訓練時,學習率是最影響模型性能的超參數(shù)之一[25],學習率過大將導致模型不收斂,過小將導致模型收斂過慢或者無法學習。因此,通過試驗選取適用于MobileNetV3-S0的學習率。試驗選用單純圖像增強后數(shù)據(jù)集,以訓練全部層的遷移學習方式進行,將學習率設置為0.01、0.001和0.000 1進行討論。

    由圖9-a可知,相較于0.01和0.000 1的學習率,學習率為0.001時,模型訓練準確率最高。交叉熵損失函數(shù)常用于評估模型預測值與真實值的不一致程度,交叉熵損失函數(shù)越小,模型的魯棒性越好。由圖9-b可知 學習率為0.001訓練時 交叉熵損失函數(shù)均低于其他學習率時的交叉熵損失函數(shù),且模型訓練準確率與交叉熵損失函數(shù)收斂速度最快。因此,綜合考慮訓練時模型平均識別準確率與交叉熵損失函數(shù),后續(xù)試驗中取0.001學習率及未分割增強后數(shù)據(jù)集完成模型訓練與測試。

    3.3.2 遷移學習方式對模型性能的影響

    MobileNetV3-S0模型,在不采用遷移學習和采用2種不同(只訓練全連接層與訓練全部層)遷移學習方式時,模型訓練準確率和交叉熵損失函數(shù)變化如圖10-a、圖10-b所示。

    從圖10可知,MobileNetV3-S0在運用3種不同方式訓練過程中,采用遷移學習訓練的模型收斂速度和訓練準確率明顯高于不采用遷移學習的模型,交叉熵損失函數(shù)則明顯低于不采用遷移學習的模型。

    同時,觀察圖10中曲線變化可知,在經(jīng)過50次左右迭代訓練后,訓練準確率和交叉熵損失函數(shù)逐漸趨于穩(wěn)定,其中,采用訓練全部層方式的模型準確率最高,交叉熵損失函數(shù)最小,基本降到0.1以下,且交叉熵損失函數(shù)波動最小。這說明采用訓練全部層的遷移學習方式對模型性能的提升最大。

    3.3.3 濾波方式對識別準確率的影響

    將原始數(shù)據(jù)集分別經(jīng)過均值濾波、高斯濾波和中值濾波這3種濾波方式處理并通過圖像增強后,依次放入模型中進行訓練與測試,其所得識別準確率如表2所示。

    由表2可知,除經(jīng)過中值濾波處理的數(shù)據(jù)集訓練準確率與原始數(shù)據(jù)集一致外,其余濾波方式下的訓練準確率均略有下降。同時,3種經(jīng)濾波處理的數(shù)據(jù)集測試準確率相較于原始數(shù)據(jù)集均有所降低,其中表現(xiàn)最好的中值濾波方式仍降低了1.00百分點。這說明,雖然濾波處理可以去除圖像中干擾識別效果的噪聲,但同時也對圖像本身的部分特征信息造成了一定影響。因此,仍選擇經(jīng)過圖像增強但未濾波圖像數(shù)據(jù)集用于模型的訓練。

    3.3.4 模型性能對比

    運用ResNet18、EfficientNet-B0和MobileNetV3-S0這3種模型進行對比訓練和測試,結果(表3)表明,MobileNetV3-S0模型的訓練識別準確率分別僅比EfficientNet-B0和 ResNet-18 高出1.26和0.12百分點,測試識別準確率則是比ResNet-18高1.50百分點,比EfficientNet-B0低4.00百分點。

    雖然MobileNetV3-S0的測試準確率略低于EfficientNet-B0,但同時由表3可分析出,ResNet18、EfficientNet-B0的權重參數(shù)分別為MobileNetV3-S0的4.60倍和2.08倍,反之MobileNetV3-S0的識別速率則是ResNet18、EfficientNet-B0的18.50倍和18.96倍。

    由表4可知,MobileNetV3-S1模型相比較于MobileNetV3-S0模型,權重減小7.39 MB,測試準確率下降1.00百分點,這說明調(diào)整超參數(shù)reduce_divider可以較大程度地減小模型權重,但同時會損失一定準確率。而MobileNetV3-S2相較于MobileNetV3-S1,權重縮減0.51 MB,測試準確率升高2.50百分點,說明基于MobileNetV3-S1降低模型深度,不但能減小模型權重,還有助于提高測試準確率。MobileNetV3-S3的權重比MobileNetV3-S2減少了1.12 MB,測試準確率降低0.50百分點,由此可知,在降低模型深度的同時,減小模型寬度,可進一步減少模型冗余參數(shù),但會損失一定的準確率。

    因模型結構不同于MobileNetV3-S0,因此對于MobileNetV3-S3,0.001的學習率可能不是最佳學習率。故再進行對比試驗,由表5可知,在3種學習率中,最適合MobileNetV3-S3的仍是0.001。

    綜上可知,相比MobileNetV3-S2,MobileNetV3-S3的識別準確率略有下降,但比MobileNetV3-S0提升了1.00百分點,且MobileNetV3-S3的權重僅為MobileNetV3-S0的7.01%,對單張圖片識別速率也略有提升。因此,以MobileNetV3-S3作為最終的馬鈴薯葉部病害識別模型。

    3.3.5 圖像分割對識別效果的影響

    將運用GrabCut算法對部分背景相對復雜圖像進行圖像分割,提取圖像后再進行圖像增強,所得數(shù)據(jù)集輸入MobileNetV3-S3中。由表6可知,經(jīng)過GrabCut算法分割后數(shù)據(jù)集訓練準確率降低了0.50百分點,但是測試準確率卻提升了1.50百分點。由此可知,運用GrabCut算法進行圖像分割,有助于進一步提高病害葉片的識別準確率。故最終選用經(jīng)GrabCut算法圖像分割擴充后的數(shù)據(jù)集。

    4 結論與討論

    本研究針對馬鈴薯病害快速準確實時識別的需求,建立包含馬鈴薯健康、晚疫病、早疫病、炭疽病及其他病害共5種馬鈴薯葉部圖像數(shù)據(jù)集。對該數(shù)據(jù)集運用GrabCut算法進行圖像分割并進行圖像增強操作,在對MobileNetV3-Small模型進行優(yōu)化后,基于優(yōu)化后模型和遷移學習方式進行訓練,并與ResNet18、EfficientNet-b0這2種網(wǎng)絡模型進行對比試驗。根據(jù)試驗結果得出如下結論:(1)采用遷移學習的方式在提高模型的識別準確率的同時降低了模型的交叉熵損失函數(shù),增強了模型穩(wěn)定性。而這2種遷移學習訓練方式,從識別率和損失函數(shù)收斂2個方面來看,訓練全部層的方式更優(yōu)。(2)基于MobileNetV3-Small改進所得模型MobileNetV3-S3,采用0.001的學習率和訓練全部層的遷移學習方式,對僅進行圖像增強的數(shù)據(jù)集訓練后所得測試準確率最高為96.50%,比MobileNetV3-S0高出1.00百分點。在運用GrabCut算法分割圖像后,模型測試準確率提升至98.00%。(3)MobileNetV3-S3權重大小為 0.68 MB,MobileNetV3-S0權重為其14.26倍。MobileNetV3-S3模型測試準確率雖略低于EfficientNet-B0,但其識別速率為后者的70.43倍,且其權重僅為后者的3.37%,有利于馬鈴薯病害識別在移動端的實現(xiàn)。

    綜上所述,將基于GrabCut算法分割圖像所建數(shù)據(jù)集,結合基于MobileNetV3-Small改進的模型MobileNetV3-S3,運用遷移學習方式訓練所得識別模型,在馬鈴薯葉部病害識別上,具有準確率高、識別快、權重小等特點。該方法為實現(xiàn)馬鈴薯葉部病害識別在移動端的良好應用提供了可行性。

    參考文獻:

    [1]肖金鐘. 馬鈴薯生產(chǎn)中的常見病害[J]. 現(xiàn)代園藝,2020,43(18):37-40.

    [2]范子耀,王文橋,孟潤杰,等. 7種殺菌劑對馬鈴薯早疫病菌室內(nèi)毒力及田間防效[J]. 農(nóng)藥,2011,50(7):531-533.

    [3]王秀鵬. 馬鈴薯常見病害識別及防治技術[J]. 種子科技,2018,36(6):101,103.

    [4]邊柯橙,楊海軍,路永華. 深度學習在農(nóng)業(yè)病蟲害檢測識別中的應用綜述[J]. 軟件導刊,2021,20(3):26-33.

    [5]趙建敏,李 艷,李 琦,等. 基于卷積神經(jīng)網(wǎng)絡的馬鈴薯葉片病害識別系統(tǒng)[J]. 江蘇農(nóng)業(yè)科學,2018,46(24):251-255.

    [6]孫文杰,牟少敏,董萌萍,等. 基于卷積循環(huán)神經(jīng)網(wǎng)絡的桃樹葉部病害圖像識別[J]. 山東農(nóng)業(yè)大學學報(自然科學版),2020,51(6):998-1003.

    [7]謝裕睿,苗 晟,張 鑠,等. 基于殘差神經(jīng)網(wǎng)絡的煙草病害識別研究[J]. 現(xiàn)代計算機,2020(30):27-31.

    [8]楊 森,馮 全,張建華,等. 基于輕量卷積網(wǎng)絡的馬鈴薯外部缺陷無損分級[J]. 食品科學,2021,42(10):284-289.

    [9]劉 洋,馮 全,王書志. 基于輕量級CNN的植物病害識別方法及移動端應用[J]. 農(nóng)業(yè)工程學報,2019,35(17):194-204.

    [10]Rother C,Kolmogorov V,Blake A.“GrabCut”:interactive foreground extraction using iterated graph cuts[J]. ACM Transactions on Graphics,2004,23(3):309-314.

    [11]鮑文霞,吳 剛,胡根生,等. 基于改進卷積神經(jīng)網(wǎng)絡的蘋果葉部病害識別[J]. 安徽大學學報(自然科學版),2021,45(1):53-59.

    [12]賈鶴鳴,郎春博,姜子超. 基于輕量級卷積神經(jīng)網(wǎng)絡的植物葉片病害識別方法[J]. 計算機應用,2021,41(6):1812-1819.

    [13]Krizhevsky A,Sutskever I,Hinton G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM,2017,60(6):84-90.

    [14]Simonyan K,Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. Computer Science,2014,52(3):1-14.

    [15]Szegedy C,Liu W,Jia Y Q,et al. Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition.June 7-12,2015,Boston,MA.IEEE,2015:1-9.

    [16]He K M,Zhang X Y,Ren S Q,et al. Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition,June 27-30,2016,Las Vegas,NV,USA.Las Vegas:IEEE,2016:770-778.

    [17]Howard A G,Zhu M L,Chen B,et al. MobileNets:efficient convolutional neural networks for mobile vision applications[EB/OL]. [2021-08-17]. https://arxiv.org/abs/1704.04861.

    [18]Howard A,Sandler M,Chen B,et al. Searching for MobileNetV3[C]//Proceeding of the IEEE/CVF International Conference on Computer Vision (ICCV). Seoul:IEEE,2019:1314-1324.

    [19]Sandler M,Howard A,Zhu M,et al. MobileNetV2 inverted residuals and linear bottlenecks[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern? Recognition. Salt Lake City:IEEE,2018:4510-4520.

    [20]劉夢倫,趙希梅,魏 賓. 基于MobileNet V2-ELM的肝硬化識別[J]. 青島大學學報(自然科學版),2019,32(4):17-21.

    [21]Tan M X,Chen B,Pang R M,et al. MnasNet:platform-aware neural architecture search for mobile[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR).June 15-20,2019,Long Beach,CA,USA. IEEE,2019:2815-2823.

    [22]Hu J,Shen L,Sun G,et al. Squeeze-and-excitation networks[C]//Proceeding of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Piscataway:IEEE,2018:7132-7141.

    [23]Tan M X,Le Q V. EfficientNet:rethinking model scaling for convolutional neural networks[C]//36th International Conference on Machine Learning(ICML 2019).Los Angeles:Proceeding of Machine Learning Research,2019:6105-6114.

    [24]米 碩,孫瑞彬,李 欣,等. 遷移學習在卷積神經(jīng)網(wǎng)絡中的應用[J]. 中國新通信,2018,20(7):121.

    [25]馮 曉,李丹丹,王文君,等. 基于輕量級卷積神經(jīng)網(wǎng)絡和遷移學習的小麥葉部病害圖像識別[J]. 河南農(nóng)業(yè)科學,2021,50(4):174-180.

    猜你喜歡
    遷移學習馬鈴薯
    馬鈴薯有功勞
    馬鈴薯種植中常見不良現(xiàn)象的發(fā)生原因及預防
    春栽馬鈴薯種植技術
    遷移學習研究綜述
    從認知角度探討大學英語網(wǎng)絡教學模式
    基于多特征融合的跨域情感分類模型研究
    奇異值分解與移移學習在電機故障診斷中的應用
    定邊馬鈴薯
    陜西畫報(2016年1期)2016-12-01 05:35:30
    胖胖的馬鈴薯
    一種基于遷移極速學習機的人體行為識別模型
    日韩大片免费观看网站| 精品人妻熟女av久视频| 亚洲精品一区蜜桃| 成人免费观看视频高清| 欧美日韩视频精品一区| 美女主播在线视频| 亚洲欧洲国产日韩| 中国三级夫妇交换| 黑人高潮一二区| xxxhd国产人妻xxx| 狠狠精品人妻久久久久久综合| 亚洲三级黄色毛片| 久久免费观看电影| 欧美另类一区| 最近的中文字幕免费完整| 91成人精品电影| 亚洲国产精品999| 免费高清在线观看日韩| 亚洲国产色片| 精品国产国语对白av| 亚洲国产精品成人久久小说| 午夜激情福利司机影院| 亚洲国产色片| 国产精品久久久久成人av| 一本一本综合久久| 少妇人妻精品综合一区二区| 免费看av在线观看网站| 高清毛片免费看| 精品一品国产午夜福利视频| 亚洲人成77777在线视频| 欧美人与性动交α欧美精品济南到 | 国产精品一二三区在线看| 午夜免费观看性视频| 日本黄大片高清| 一本色道久久久久久精品综合| 大片免费播放器 马上看| 成年av动漫网址| 国产在线视频一区二区| 久久99蜜桃精品久久| 国产高清国产精品国产三级| 亚洲精品中文字幕在线视频| videosex国产| 日韩精品有码人妻一区| 性色avwww在线观看| 老熟女久久久| 男女免费视频国产| 91久久精品国产一区二区三区| 水蜜桃什么品种好| 亚洲性久久影院| 免费人妻精品一区二区三区视频| 青青草视频在线视频观看| 亚洲五月色婷婷综合| 80岁老熟妇乱子伦牲交| freevideosex欧美| av国产精品久久久久影院| 日韩亚洲欧美综合| 丰满少妇做爰视频| 我的老师免费观看完整版| 高清午夜精品一区二区三区| 午夜福利网站1000一区二区三区| 91aial.com中文字幕在线观看| 日韩大片免费观看网站| 久久人人爽av亚洲精品天堂| 2021少妇久久久久久久久久久| 91精品国产九色| 亚洲av成人精品一区久久| 精品少妇黑人巨大在线播放| 国产成人一区二区在线| 自线自在国产av| 极品少妇高潮喷水抽搐| 日本欧美视频一区| 欧美激情极品国产一区二区三区 | 亚洲欧美清纯卡通| 老司机影院成人| 少妇熟女欧美另类| 久久精品国产鲁丝片午夜精品| 18+在线观看网站| 亚洲丝袜综合中文字幕| 成人亚洲精品一区在线观看| 国产黄色免费在线视频| 一本—道久久a久久精品蜜桃钙片| 成人18禁高潮啪啪吃奶动态图 | av黄色大香蕉| 国产精品国产av在线观看| 免费av不卡在线播放| 在线观看www视频免费| 夜夜爽夜夜爽视频| 亚洲,欧美,日韩| 欧美日韩综合久久久久久| 久久99蜜桃精品久久| 最黄视频免费看| 久久久久久久精品精品| 亚洲国产精品成人久久小说| 国产爽快片一区二区三区| 日本欧美视频一区| 国产成人freesex在线| 午夜福利在线观看免费完整高清在| 国产精品一国产av| 国产一区二区在线观看av| 久久影院123| 精品卡一卡二卡四卡免费| 色婷婷久久久亚洲欧美| 久久久久久人妻| 精品亚洲成国产av| 尾随美女入室| 人体艺术视频欧美日本| 交换朋友夫妻互换小说| 亚洲欧美成人综合另类久久久| 97在线视频观看| 国精品久久久久久国模美| 国内精品宾馆在线| 欧美人与性动交α欧美精品济南到 | 婷婷色麻豆天堂久久| 九九在线视频观看精品| 日本av免费视频播放| 五月玫瑰六月丁香| 午夜免费鲁丝| 韩国av在线不卡| 国产爽快片一区二区三区| 人妻一区二区av| 母亲3免费完整高清在线观看 | 国产精品一二三区在线看| 新久久久久国产一级毛片| 国产精品人妻久久久久久| 国产熟女欧美一区二区| 国产 一区精品| 男女边吃奶边做爰视频| 日韩欧美精品免费久久| 国产精品一二三区在线看| 天天影视国产精品| 伊人久久精品亚洲午夜| 国产成人精品无人区| 国产一区二区三区av在线| 精品一区二区免费观看| 九色成人免费人妻av| 久久国产亚洲av麻豆专区| 亚洲人与动物交配视频| 亚洲欧美色中文字幕在线| 欧美最新免费一区二区三区| 国产精品免费大片| 亚洲国产成人一精品久久久| 22中文网久久字幕| 亚洲色图综合在线观看| 欧美一级a爱片免费观看看| a级毛片在线看网站| 国产精品女同一区二区软件| 精品亚洲乱码少妇综合久久| 成年美女黄网站色视频大全免费 | 久久av网站| 69精品国产乱码久久久| 国产在视频线精品| 日韩视频在线欧美| 亚洲精品日韩av片在线观看| 一本一本综合久久| 国产在线视频一区二区| 亚洲内射少妇av| 少妇熟女欧美另类| 老司机影院毛片| 久久久久视频综合| 成人二区视频| 国产免费一级a男人的天堂| 国产视频首页在线观看| 黑人巨大精品欧美一区二区蜜桃 | xxx大片免费视频| 水蜜桃什么品种好| 日本黄色日本黄色录像| 国产成人精品无人区| 高清午夜精品一区二区三区| 国产日韩欧美在线精品| 国产成人一区二区在线| 天天操日日干夜夜撸| 视频区图区小说| 久久影院123| 久久久久精品性色| 一个人免费看片子| av在线观看视频网站免费| 黄色怎么调成土黄色| 十八禁高潮呻吟视频| 国产成人精品无人区| 一级二级三级毛片免费看| 亚洲精品乱码久久久v下载方式| 亚洲第一区二区三区不卡| 精品久久久久久久久av| 特大巨黑吊av在线直播| 国产免费福利视频在线观看| 人人澡人人妻人| 伊人久久国产一区二区| 久久热精品热| 亚洲婷婷狠狠爱综合网| 国产伦理片在线播放av一区| 色吧在线观看| 黄色视频在线播放观看不卡| 久久精品人人爽人人爽视色| 一级毛片电影观看| 中文字幕人妻熟人妻熟丝袜美| 成人毛片60女人毛片免费| 伦理电影免费视频| 免费黄网站久久成人精品| 亚洲国产精品一区二区三区在线| 天堂8中文在线网| 国产精品久久久久久久久免| 国产永久视频网站| 18禁在线无遮挡免费观看视频| 日韩电影二区| 亚洲欧美成人综合另类久久久| av女优亚洲男人天堂| 精品少妇黑人巨大在线播放| 色哟哟·www| 嘟嘟电影网在线观看| 肉色欧美久久久久久久蜜桃| 最近中文字幕高清免费大全6| 丁香六月天网| 婷婷色综合大香蕉| 欧美精品亚洲一区二区| 国产熟女欧美一区二区| 一级二级三级毛片免费看| 精品人妻一区二区三区麻豆| 国产午夜精品久久久久久一区二区三区| 91精品伊人久久大香线蕉| 国产日韩欧美在线精品| 亚洲熟女精品中文字幕| 97精品久久久久久久久久精品| www.av在线官网国产| 久久人人爽人人爽人人片va| 99热全是精品| 人人妻人人爽人人添夜夜欢视频| 国产高清不卡午夜福利| 亚洲欧美色中文字幕在线| 色94色欧美一区二区| 国产一区二区在线观看日韩| 国产成人av激情在线播放 | 成人亚洲欧美一区二区av| 九色成人免费人妻av| 亚洲av不卡在线观看| 免费观看av网站的网址| 亚洲欧美日韩卡通动漫| 久久婷婷青草| av免费在线看不卡| 特大巨黑吊av在线直播| 日产精品乱码卡一卡2卡三| 成人无遮挡网站| 国产又色又爽无遮挡免| 亚洲内射少妇av| 国产爽快片一区二区三区| 22中文网久久字幕| 中文字幕精品免费在线观看视频 | 午夜av观看不卡| 美女cb高潮喷水在线观看| 国产精品99久久久久久久久| 各种免费的搞黄视频| 亚洲精品中文字幕在线视频| 三级国产精品欧美在线观看| 男男h啪啪无遮挡| 人妻 亚洲 视频| 日本wwww免费看| 51国产日韩欧美| 大陆偷拍与自拍| 黑人欧美特级aaaaaa片| h视频一区二区三区| 欧美日韩精品成人综合77777| 色婷婷久久久亚洲欧美| 99精国产麻豆久久婷婷| 18禁在线播放成人免费| 精品久久久噜噜| 五月伊人婷婷丁香| 天堂俺去俺来也www色官网| 中文字幕人妻丝袜制服| 男男h啪啪无遮挡| 午夜视频国产福利| 女人精品久久久久毛片| 在线观看www视频免费| 国产免费福利视频在线观看| 欧美日韩国产mv在线观看视频| 欧美激情 高清一区二区三区| 亚洲精品乱久久久久久| 999精品在线视频| 亚洲精品aⅴ在线观看| 在线观看免费高清a一片| 国产精品国产av在线观看| av免费在线看不卡| 欧美成人午夜免费资源| 久久久亚洲精品成人影院| 插阴视频在线观看视频| www.av在线官网国产| 日韩制服骚丝袜av| 国产av国产精品国产| 日韩中字成人| 国产日韩一区二区三区精品不卡 | 99久国产av精品国产电影| 亚洲av成人精品一区久久| 久久免费观看电影| 亚洲av电影在线观看一区二区三区| 午夜精品国产一区二区电影| 欧美xxⅹ黑人| 丰满乱子伦码专区| 国产无遮挡羞羞视频在线观看| 大香蕉久久网| av免费观看日本| 综合色丁香网| 新久久久久国产一级毛片| 精品国产露脸久久av麻豆| 自拍欧美九色日韩亚洲蝌蚪91| 国精品久久久久久国模美| 蜜桃国产av成人99| a级片在线免费高清观看视频| 十分钟在线观看高清视频www| 青春草国产在线视频| 国产高清不卡午夜福利| 国产精品99久久99久久久不卡 | 欧美激情极品国产一区二区三区 | 国产国拍精品亚洲av在线观看| 一区二区三区乱码不卡18| 少妇的逼好多水| 亚洲av福利一区| 欧美另类一区| 成人18禁高潮啪啪吃奶动态图 | 91午夜精品亚洲一区二区三区| 制服丝袜香蕉在线| 好男人视频免费观看在线| 午夜激情av网站| 国产精品一二三区在线看| 午夜视频国产福利| 亚洲人成77777在线视频| 国产精品无大码| 国产亚洲午夜精品一区二区久久| 美女内射精品一级片tv| 成人二区视频| 国产又色又爽无遮挡免| 国产精品不卡视频一区二区| 伊人亚洲综合成人网| 亚洲欧洲国产日韩| av在线播放精品| 五月天丁香电影| 欧美 日韩 精品 国产| 国产精品99久久久久久久久| 日韩av在线免费看完整版不卡| 又粗又硬又长又爽又黄的视频| 国产在视频线精品| 久久精品久久久久久久性| 久久久a久久爽久久v久久| 亚洲经典国产精华液单| 国产精品无大码| av天堂久久9| 午夜91福利影院| 在线免费观看不下载黄p国产| 赤兔流量卡办理| 国产精品偷伦视频观看了| 亚洲情色 制服丝袜| 欧美 亚洲 国产 日韩一| 亚洲人与动物交配视频| 国产一区有黄有色的免费视频| 黑丝袜美女国产一区| 七月丁香在线播放| 国产精品嫩草影院av在线观看| 国产成人精品一,二区| 久久久久久久久久久久大奶| 久久久久人妻精品一区果冻| 国产精品一二三区在线看| 国产精品一区二区三区四区免费观看| 七月丁香在线播放| av在线播放精品| 在线亚洲精品国产二区图片欧美 | 视频在线观看一区二区三区| 久久人人爽av亚洲精品天堂| 国产在视频线精品| tube8黄色片| 午夜福利网站1000一区二区三区| 男女高潮啪啪啪动态图| 国产视频内射| 日韩欧美一区视频在线观看| 亚洲成色77777| 十分钟在线观看高清视频www| 老司机亚洲免费影院| 日韩一区二区视频免费看| 高清黄色对白视频在线免费看| 国产精品欧美亚洲77777| 韩国高清视频一区二区三区| 伦理电影大哥的女人| 日韩不卡一区二区三区视频在线| 亚洲欧洲精品一区二区精品久久久 | 99久久精品一区二区三区| 国产av精品麻豆| 久久久久视频综合| 三级国产精品片| 人人澡人人妻人| 一本大道久久a久久精品| 亚洲av在线观看美女高潮| 国产成人精品久久久久久| 男女国产视频网站| 韩国高清视频一区二区三区| 久热这里只有精品99| 一区在线观看完整版| 春色校园在线视频观看| 在线观看免费视频网站a站| 久久99精品国语久久久| 欧美另类一区| 如何舔出高潮| 日韩,欧美,国产一区二区三区| 18禁裸乳无遮挡动漫免费视频| 亚洲精品第二区| 亚洲精品美女久久av网站| 精品一区二区免费观看| 性色avwww在线观看| 日韩一区二区视频免费看| av福利片在线| 大香蕉97超碰在线| 亚洲欧美成人精品一区二区| 91久久精品电影网| 日本av手机在线免费观看| 国产日韩欧美视频二区| 国产成人freesex在线| 大码成人一级视频| 亚洲人与动物交配视频| 色5月婷婷丁香| 婷婷色综合大香蕉| 午夜老司机福利剧场| 久久毛片免费看一区二区三区| 69精品国产乱码久久久| 国语对白做爰xxxⅹ性视频网站| 麻豆精品久久久久久蜜桃| 考比视频在线观看| 亚洲精品视频女| 美女内射精品一级片tv| 午夜视频国产福利| www.色视频.com| av电影中文网址| 国产成人午夜福利电影在线观看| av免费观看日本| av女优亚洲男人天堂| 女性生殖器流出的白浆| 18禁裸乳无遮挡动漫免费视频| 美女cb高潮喷水在线观看| 久久精品熟女亚洲av麻豆精品| 欧美精品一区二区大全| 国产亚洲最大av| av女优亚洲男人天堂| 人妻一区二区av| 99久久中文字幕三级久久日本| 免费黄色在线免费观看| 久久久久久久久久久免费av| 2018国产大陆天天弄谢| 国产爽快片一区二区三区| 亚洲精品亚洲一区二区| 大香蕉97超碰在线| 国产免费现黄频在线看| 美女xxoo啪啪120秒动态图| 一级爰片在线观看| 色婷婷av一区二区三区视频| 热re99久久精品国产66热6| 高清午夜精品一区二区三区| 美女xxoo啪啪120秒动态图| 亚洲欧美色中文字幕在线| 国产欧美日韩综合在线一区二区| 秋霞在线观看毛片| 国产成人精品福利久久| 有码 亚洲区| 国产爽快片一区二区三区| 亚洲熟女精品中文字幕| 欧美日韩av久久| 精品酒店卫生间| 亚洲情色 制服丝袜| 成人午夜精彩视频在线观看| 日本vs欧美在线观看视频| 最近的中文字幕免费完整| 大话2 男鬼变身卡| 久久 成人 亚洲| 考比视频在线观看| 七月丁香在线播放| 亚洲精品乱码久久久v下载方式| 欧美日韩成人在线一区二区| 美女国产高潮福利片在线看| 亚洲第一区二区三区不卡| 欧美少妇被猛烈插入视频| 久久综合国产亚洲精品| 久久久久久久久久久丰满| 人妻夜夜爽99麻豆av| 精品少妇久久久久久888优播| 18+在线观看网站| 成人国语在线视频| 亚洲国产精品国产精品| 久久精品国产自在天天线| 99久国产av精品国产电影| 热99久久久久精品小说推荐| 精品久久久久久久久亚洲| 最后的刺客免费高清国语| 亚洲中文av在线| 亚洲av电影在线观看一区二区三区| 日韩精品免费视频一区二区三区 | 人人妻人人澡人人爽人人夜夜| 色视频在线一区二区三区| 欧美老熟妇乱子伦牲交| 日韩强制内射视频| 日本欧美视频一区| 街头女战士在线观看网站| 国产精品99久久99久久久不卡 | 精品久久久久久电影网| 国产一级毛片在线| 色网站视频免费| 热re99久久国产66热| 日韩熟女老妇一区二区性免费视频| 久久 成人 亚洲| 亚洲国产日韩一区二区| xxxhd国产人妻xxx| 亚洲av成人精品一区久久| 亚洲国产精品专区欧美| 欧美 日韩 精品 国产| 欧美日韩成人在线一区二区| 国内精品宾馆在线| 少妇的逼水好多| 一级毛片 在线播放| 久久鲁丝午夜福利片| 久久影院123| 久久久久久久久久成人| 亚洲av电影在线观看一区二区三区| 亚洲精品久久成人aⅴ小说 | 欧美另类一区| 赤兔流量卡办理| 一级a做视频免费观看| 天天影视国产精品| 久久久久久伊人网av| 九九爱精品视频在线观看| 国产精品一国产av| 亚洲成人一二三区av| 欧美bdsm另类| 九色亚洲精品在线播放| 婷婷色麻豆天堂久久| 最近的中文字幕免费完整| 久久久午夜欧美精品| 亚洲精品成人av观看孕妇| 亚洲精品乱码久久久久久按摩| 亚洲欧美一区二区三区国产| 久久免费观看电影| 国产精品久久久久久av不卡| 国产在线免费精品| 大片免费播放器 马上看| 99精国产麻豆久久婷婷| 国语对白做爰xxxⅹ性视频网站| 国产av精品麻豆| 精品久久久精品久久久| 成人亚洲精品一区在线观看| 亚洲欧美日韩卡通动漫| 久久亚洲国产成人精品v| 国产精品一区二区在线不卡| 日本黄色日本黄色录像| 国产片内射在线| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 午夜免费鲁丝| 国产在线视频一区二区| 亚洲,一卡二卡三卡| 夫妻性生交免费视频一级片| 免费观看的影片在线观看| 成年美女黄网站色视频大全免费 | 国产成人精品无人区| 少妇 在线观看| 亚洲精品久久久久久婷婷小说| 亚洲av综合色区一区| 欧美日韩精品成人综合77777| 国产日韩欧美亚洲二区| 少妇的逼好多水| 日韩成人伦理影院| 久久综合国产亚洲精品| 亚洲久久久国产精品| 日本av手机在线免费观看| 看十八女毛片水多多多| 日韩免费高清中文字幕av| 亚洲国产精品一区二区三区在线| 曰老女人黄片| 欧美日韩在线观看h| 18禁观看日本| 久久精品国产自在天天线| 中文字幕人妻熟人妻熟丝袜美| 一本色道久久久久久精品综合| 一个人免费看片子| 99热国产这里只有精品6| 熟妇人妻不卡中文字幕| 日本vs欧美在线观看视频| 久久精品国产a三级三级三级| xxx大片免费视频| av视频免费观看在线观看| 成人18禁高潮啪啪吃奶动态图 | 一区二区av电影网| 嘟嘟电影网在线观看| 久久久久精品久久久久真实原创| 纯流量卡能插随身wifi吗| 亚洲熟女精品中文字幕| 内地一区二区视频在线| 又大又黄又爽视频免费| 国产爽快片一区二区三区| 日韩三级伦理在线观看| 80岁老熟妇乱子伦牲交| 男女国产视频网站| 日韩熟女老妇一区二区性免费视频| 五月天丁香电影| 日本av免费视频播放| 18禁动态无遮挡网站| 日韩中文字幕视频在线看片| 午夜视频国产福利| 久久人人爽av亚洲精品天堂| 国产成人精品在线电影| 热re99久久国产66热| 中文字幕人妻丝袜制服| 大片免费播放器 马上看| 中文天堂在线官网| 嘟嘟电影网在线观看| 成人国语在线视频| 亚洲欧美成人精品一区二区| 热re99久久国产66热| 久久热精品热| 久久久久久人妻| 少妇的逼好多水| 国产欧美亚洲国产| 99久久精品国产国产毛片| 欧美亚洲 丝袜 人妻 在线| 国产欧美日韩一区二区三区在线 | 美女视频免费永久观看网站|