• <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
    国产黄片美女视频| 看片在线看免费视频| ponron亚洲| 国产男靠女视频免费网站| 亚洲av中文字字幕乱码综合| 男女那种视频在线观看| 日本精品一区二区三区蜜桃| 日韩欧美三级三区| 色在线成人网| 欧美日本亚洲视频在线播放| 又紧又爽又黄一区二区| 三级国产精品欧美在线观看 | 国产1区2区3区精品| 亚洲一区二区三区不卡视频| 在线十欧美十亚洲十日本专区| 亚洲欧美精品综合一区二区三区| 亚洲一区二区三区色噜噜| 久久久久亚洲av毛片大全| 嫩草影视91久久| 国产一级毛片七仙女欲春2| 精品国产美女av久久久久小说| 亚洲成人国产一区在线观看| 久久精品影院6| 两性夫妻黄色片| 伦理电影免费视频| 999久久久精品免费观看国产| 免费av毛片视频| 久久久久久久精品吃奶| 高清在线国产一区| 国产精品一区二区精品视频观看| 国产av一区二区精品久久| 亚洲aⅴ乱码一区二区在线播放 | 久久天堂一区二区三区四区| 一本久久中文字幕| 欧美久久黑人一区二区| 99久久久亚洲精品蜜臀av| 88av欧美| 热99re8久久精品国产| 99精品在免费线老司机午夜| 亚洲成人久久性| 亚洲18禁久久av| 给我免费播放毛片高清在线观看| 精品第一国产精品| 午夜两性在线视频| 长腿黑丝高跟| 一进一出抽搐动态| 欧美日韩国产亚洲二区| 少妇人妻一区二区三区视频| 亚洲aⅴ乱码一区二区在线播放 | 嫩草影院精品99| 黄色片一级片一级黄色片| 久久 成人 亚洲| 久久久久久九九精品二区国产 | 国产伦一二天堂av在线观看| 日韩 欧美 亚洲 中文字幕| 亚洲真实伦在线观看| 国产一区二区在线av高清观看| 久久香蕉激情| 男男h啪啪无遮挡| 91字幕亚洲| 国产精品日韩av在线免费观看| 亚洲人成电影免费在线| 久久久久久久久中文| 亚洲全国av大片| av有码第一页| 免费看日本二区| 国内精品一区二区在线观看| 国产一区在线观看成人免费| 老鸭窝网址在线观看| www.精华液| 亚洲专区国产一区二区| 亚洲av成人av| 最近在线观看免费完整版| 一级毛片女人18水好多| 2021天堂中文幕一二区在线观| 亚洲九九香蕉| 国产片内射在线| 女同久久另类99精品国产91| 长腿黑丝高跟| 国模一区二区三区四区视频 | 欧美大码av| 久9热在线精品视频| 久久久久久亚洲精品国产蜜桃av| 99久久综合精品五月天人人| 国产免费av片在线观看野外av| 亚洲真实伦在线观看| 欧美久久黑人一区二区| 岛国在线观看网站| 97人妻精品一区二区三区麻豆| 欧美性猛交黑人性爽| 久99久视频精品免费| 欧美久久黑人一区二区| 亚洲国产精品合色在线| 又紧又爽又黄一区二区| 12—13女人毛片做爰片一| avwww免费| 欧美日韩中文字幕国产精品一区二区三区| 一级片免费观看大全| 99热6这里只有精品| 正在播放国产对白刺激| 国产成+人综合+亚洲专区| 老汉色∧v一级毛片| 国产又色又爽无遮挡免费看| 久久久久久国产a免费观看| 国产精品 国内视频| 非洲黑人性xxxx精品又粗又长| 中文字幕最新亚洲高清| 中文字幕高清在线视频| 久久精品aⅴ一区二区三区四区| 日韩大码丰满熟妇| 久久久久久久久中文| 久久久国产欧美日韩av| 老鸭窝网址在线观看| 最新美女视频免费是黄的| 国产午夜福利久久久久久| 九色成人免费人妻av| 亚洲成人久久爱视频| 国产成人精品久久二区二区免费| 男女下面进入的视频免费午夜| 亚洲精品久久国产高清桃花| 一级毛片精品| 97人妻精品一区二区三区麻豆| 99国产精品一区二区蜜桃av| 啦啦啦观看免费观看视频高清| 久久精品人妻少妇| 亚洲国产精品成人综合色| 国内久久婷婷六月综合欲色啪| 久久精品91蜜桃| 国产一区二区激情短视频| 欧美色欧美亚洲另类二区| 国内精品一区二区在线观看| 床上黄色一级片| 非洲黑人性xxxx精品又粗又长| 日本熟妇午夜| 日韩三级视频一区二区三区| 欧美色欧美亚洲另类二区| 成人高潮视频无遮挡免费网站| 国产高清激情床上av| 欧美成狂野欧美在线观看| 亚洲中文日韩欧美视频| 久久精品夜夜夜夜夜久久蜜豆 | 久久久精品大字幕| 亚洲国产精品999在线| 久久亚洲真实| 亚洲中文日韩欧美视频| 在线永久观看黄色视频| 热99re8久久精品国产| 日本熟妇午夜| 久久久水蜜桃国产精品网| 18禁黄网站禁片午夜丰满| 日韩国内少妇激情av| 色综合亚洲欧美另类图片| 欧美成狂野欧美在线观看| 欧美中文综合在线视频| 国产成人系列免费观看| 色在线成人网| 亚洲性夜色夜夜综合| 麻豆成人午夜福利视频| 黑人欧美特级aaaaaa片| 国产激情偷乱视频一区二区| 色老头精品视频在线观看| 成人国产一区最新在线观看| 国产成年人精品一区二区| av有码第一页| 欧美 亚洲 国产 日韩一| 亚洲av成人不卡在线观看播放网| 黄色视频不卡| 亚洲aⅴ乱码一区二区在线播放 | 国产精品免费视频内射| 美女高潮喷水抽搐中文字幕| 日本一二三区视频观看| 亚洲欧美日韩高清在线视频| 此物有八面人人有两片| 国产亚洲欧美在线一区二区| 俺也久久电影网| 狂野欧美白嫩少妇大欣赏| 亚洲欧洲精品一区二区精品久久久| 少妇熟女aⅴ在线视频| 男人舔奶头视频| 亚洲精品粉嫩美女一区| 午夜福利视频1000在线观看| 黄色丝袜av网址大全| 国产免费男女视频| 日本五十路高清| 变态另类丝袜制服| 麻豆国产av国片精品| 欧美一级a爱片免费观看看 | 国产成人影院久久av| 丰满人妻熟妇乱又伦精品不卡| 免费无遮挡裸体视频| 老汉色av国产亚洲站长工具| 欧洲精品卡2卡3卡4卡5卡区| 久久久久久人人人人人| 男女之事视频高清在线观看| 淫妇啪啪啪对白视频| 村上凉子中文字幕在线| 国产av又大| 欧美绝顶高潮抽搐喷水| av有码第一页| 国产精品 欧美亚洲| 18禁观看日本| 99riav亚洲国产免费| 欧美高清成人免费视频www| 国产主播在线观看一区二区| 亚洲成a人片在线一区二区| av福利片在线观看| 日韩欧美免费精品| xxx96com| 国内揄拍国产精品人妻在线| 两人在一起打扑克的视频| 在线观看免费视频日本深夜| 久久中文字幕人妻熟女| 国产精品电影一区二区三区| 1024香蕉在线观看| 欧美中文日本在线观看视频| 午夜福利高清视频| 免费搜索国产男女视频| 999久久久精品免费观看国产| 午夜福利免费观看在线| 国产在线精品亚洲第一网站| 久久亚洲精品不卡| 最新在线观看一区二区三区| 欧美一区二区精品小视频在线| 亚洲一码二码三码区别大吗| 亚洲av中文字字幕乱码综合| 美女高潮喷水抽搐中文字幕| 国产久久久一区二区三区| 伊人久久大香线蕉亚洲五| 久久精品91无色码中文字幕| 免费在线观看视频国产中文字幕亚洲| 国产成年人精品一区二区| 中出人妻视频一区二区| 女人高潮潮喷娇喘18禁视频| 日韩有码中文字幕| 久久精品91蜜桃| 男女之事视频高清在线观看| 欧美高清成人免费视频www| 国产精品一及| 国产激情久久老熟女| 此物有八面人人有两片| 一级作爱视频免费观看| 国产亚洲精品久久久久久毛片| 极品教师在线免费播放| 一区二区三区国产精品乱码| 久久精品影院6| 欧美中文综合在线视频| 巨乳人妻的诱惑在线观看| 日韩有码中文字幕| 久久婷婷成人综合色麻豆| 国产成人精品久久二区二区91| 日日夜夜操网爽| 欧美黑人精品巨大| 精品欧美一区二区三区在线| 国产男靠女视频免费网站| 真人一进一出gif抽搐免费| 亚洲va日本ⅴa欧美va伊人久久| 九色成人免费人妻av| 色尼玛亚洲综合影院| 男女午夜视频在线观看| 美女 人体艺术 gogo| 国产精品亚洲一级av第二区| 夜夜爽天天搞| 757午夜福利合集在线观看| 九九热线精品视视频播放| 午夜久久久久精精品| 97人妻精品一区二区三区麻豆| 亚洲人成电影免费在线| 人妻夜夜爽99麻豆av| 夜夜爽天天搞| 超碰成人久久| 国产精品av久久久久免费| 国产成人av激情在线播放| 日韩精品免费视频一区二区三区| 久久精品国产99精品国产亚洲性色| 老司机靠b影院| 久久天躁狠狠躁夜夜2o2o| 国产精品亚洲美女久久久| 长腿黑丝高跟| 50天的宝宝边吃奶边哭怎么回事| 亚洲,欧美精品.| 午夜福利成人在线免费观看| 亚洲成人中文字幕在线播放| 成人国语在线视频| 亚洲精品一区av在线观看| 国产欧美日韩一区二区精品| 三级男女做爰猛烈吃奶摸视频| 国产伦人伦偷精品视频| 国产亚洲精品一区二区www| 黄色视频不卡| 91老司机精品| 免费电影在线观看免费观看| 伦理电影免费视频| 一进一出好大好爽视频| 日韩欧美在线二视频| 少妇人妻一区二区三区视频| 亚洲一区高清亚洲精品| 亚洲av成人不卡在线观看播放网| 可以在线观看的亚洲视频| 欧美成人午夜精品| 高清毛片免费观看视频网站| 久久香蕉精品热| 俄罗斯特黄特色一大片| 黄色丝袜av网址大全| 天堂影院成人在线观看| 国产野战对白在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 日韩欧美国产一区二区入口| 最近视频中文字幕2019在线8| 国产成人欧美在线观看| 欧美日本视频| 国产亚洲精品第一综合不卡| 最近最新中文字幕大全免费视频| 老司机福利观看| 亚洲一区二区三区色噜噜| 中文字幕熟女人妻在线| 给我免费播放毛片高清在线观看| 美女 人体艺术 gogo| 国产精品98久久久久久宅男小说| АⅤ资源中文在线天堂| 亚洲一卡2卡3卡4卡5卡精品中文| 又黄又爽又免费观看的视频| 九色成人免费人妻av| 日本三级黄在线观看| 麻豆久久精品国产亚洲av| 99国产综合亚洲精品| 级片在线观看| 男女午夜视频在线观看| 1024视频免费在线观看| 中文在线观看免费www的网站 | 欧洲精品卡2卡3卡4卡5卡区| 欧美另类亚洲清纯唯美| 日韩中文字幕欧美一区二区| 黄色视频,在线免费观看| 免费在线观看亚洲国产| 一区二区三区激情视频| 久久久国产精品麻豆| 高清在线国产一区| 好男人电影高清在线观看| 色精品久久人妻99蜜桃| 黄色a级毛片大全视频| 又粗又爽又猛毛片免费看| 丝袜人妻中文字幕| 最新美女视频免费是黄的| 亚洲欧美日韩无卡精品| 午夜精品在线福利| 国产精品一区二区三区四区免费观看 | 熟女电影av网| 最近视频中文字幕2019在线8| 50天的宝宝边吃奶边哭怎么回事| 啦啦啦免费观看视频1| 少妇粗大呻吟视频| 久久精品成人免费网站| 亚洲国产精品合色在线| 极品教师在线免费播放| 精品久久久久久久久久免费视频| 中文字幕人成人乱码亚洲影| 很黄的视频免费| 精品国产亚洲在线| 两个人视频免费观看高清| 级片在线观看| 美女大奶头视频| 午夜精品在线福利| 在线a可以看的网站| 狠狠狠狠99中文字幕| 久久午夜综合久久蜜桃| 国产精品综合久久久久久久免费| 俄罗斯特黄特色一大片| 久久国产精品人妻蜜桃| 久久久国产成人免费| 99久久综合精品五月天人人| 午夜两性在线视频| 听说在线观看完整版免费高清| 在线看三级毛片| 成人国产综合亚洲| 国产高清视频在线观看网站| 精品欧美一区二区三区在线| 12—13女人毛片做爰片一| 亚洲黑人精品在线| 国产av麻豆久久久久久久| 国产欧美日韩一区二区三| 国产日本99.免费观看| 黑人巨大精品欧美一区二区mp4| 亚洲狠狠婷婷综合久久图片| 成人18禁高潮啪啪吃奶动态图| 精华霜和精华液先用哪个| 非洲黑人性xxxx精品又粗又长| 女同久久另类99精品国产91| 在线观看美女被高潮喷水网站 | 成年女人毛片免费观看观看9| 亚洲一区二区三区色噜噜| 啪啪无遮挡十八禁网站| 亚洲av片天天在线观看| 美女高潮喷水抽搐中文字幕| 欧美极品一区二区三区四区| 久久欧美精品欧美久久欧美| 又大又爽又粗| 亚洲 欧美 日韩 在线 免费| 久99久视频精品免费| 亚洲专区中文字幕在线| xxxwww97欧美| 亚洲成人中文字幕在线播放| 在线播放国产精品三级| 亚洲18禁久久av| 成人一区二区视频在线观看| 天天添夜夜摸| 婷婷亚洲欧美| 日本一二三区视频观看| 日本免费一区二区三区高清不卡| 久久久久性生活片| 五月伊人婷婷丁香| 级片在线观看| 九色成人免费人妻av| 国产成人精品久久二区二区免费| 黄频高清免费视频| 777久久人妻少妇嫩草av网站| 中国美女看黄片| 亚洲精品在线美女| 中文字幕精品亚洲无线码一区| 久久久久亚洲av毛片大全| 性欧美人与动物交配| 美女午夜性视频免费| √禁漫天堂资源中文www| 国产欧美日韩一区二区三| 精品一区二区三区av网在线观看| 视频区欧美日本亚洲| 亚洲午夜理论影院| 日韩av在线大香蕉| 精品国产超薄肉色丝袜足j| 欧美人与性动交α欧美精品济南到| www.自偷自拍.com| 特大巨黑吊av在线直播| 一进一出好大好爽视频| 成人欧美大片| 国产伦人伦偷精品视频| 精品少妇一区二区三区视频日本电影| 久久香蕉激情| 日韩欧美精品v在线| 国产精品久久电影中文字幕| 久久久久九九精品影院| 亚洲精品在线美女| 99热6这里只有精品| 成人av一区二区三区在线看| 久久久久九九精品影院| 国产精品98久久久久久宅男小说| 亚洲一码二码三码区别大吗| 亚洲专区字幕在线| 九九热线精品视视频播放| 怎么达到女性高潮| 美女高潮喷水抽搐中文字幕| 国产又黄又爽又无遮挡在线| 少妇被粗大的猛进出69影院| 亚洲第一欧美日韩一区二区三区| 波多野结衣高清无吗| 精品欧美国产一区二区三| 成人特级黄色片久久久久久久| a级毛片在线看网站| 一级毛片高清免费大全| 免费在线观看视频国产中文字幕亚洲| 五月玫瑰六月丁香| 国产精品永久免费网站| 色噜噜av男人的天堂激情| bbb黄色大片| 麻豆久久精品国产亚洲av| 久久久久九九精品影院| 777久久人妻少妇嫩草av网站| 亚洲欧美一区二区三区黑人| 国产熟女xx| 亚洲人成77777在线视频| 亚洲精品av麻豆狂野| 国产欧美日韩精品亚洲av| 中文字幕最新亚洲高清| 国产av一区二区精品久久| 欧洲精品卡2卡3卡4卡5卡区| 日韩 欧美 亚洲 中文字幕| 成年女人毛片免费观看观看9| 亚洲真实伦在线观看| 非洲黑人性xxxx精品又粗又长| 国内少妇人妻偷人精品xxx网站 | 中国美女看黄片| 国产精品99久久99久久久不卡| 99久久无色码亚洲精品果冻| 又黄又爽又免费观看的视频| 国产高清有码在线观看视频 | 午夜福利欧美成人| 成熟少妇高潮喷水视频| 美女大奶头视频| 亚洲欧美精品综合久久99| 男女午夜视频在线观看| 热99re8久久精品国产| 亚洲 国产 在线| 亚洲人与动物交配视频| 国内少妇人妻偷人精品xxx网站 | 国产亚洲欧美98| 免费看a级黄色片| 欧美色欧美亚洲另类二区| 亚洲真实伦在线观看| aaaaa片日本免费| 国产野战对白在线观看| 国产亚洲欧美98| 女人高潮潮喷娇喘18禁视频| 久久久久久亚洲精品国产蜜桃av| 亚洲成人精品中文字幕电影| 久久精品影院6| 日韩大尺度精品在线看网址| www.999成人在线观看| 夜夜躁狠狠躁天天躁| 88av欧美| 中文字幕久久专区| 亚洲精品美女久久av网站| 亚洲欧美日韩高清在线视频| 亚洲熟妇中文字幕五十中出| 免费在线观看日本一区| 久久久水蜜桃国产精品网| 黄色毛片三级朝国网站| 视频区欧美日本亚洲| 亚洲国产欧美网| 亚洲性夜色夜夜综合| 老司机深夜福利视频在线观看| 日本a在线网址| 日韩精品中文字幕看吧| 免费搜索国产男女视频| 在线a可以看的网站| 禁无遮挡网站| 日韩欧美 国产精品| 亚洲人与动物交配视频| 国产三级中文精品| 狂野欧美白嫩少妇大欣赏| 97碰自拍视频| av片东京热男人的天堂| 国产在线观看jvid| √禁漫天堂资源中文www| 亚洲激情在线av| 两个人看的免费小视频| 精品久久久久久久毛片微露脸| av免费在线观看网站| 热99re8久久精品国产| 久久婷婷人人爽人人干人人爱| 国产精品野战在线观看| a级毛片在线看网站| 成人国产一区最新在线观看| 黄色丝袜av网址大全| 天天添夜夜摸| 国产精品久久久久久久电影 | 99riav亚洲国产免费| 最好的美女福利视频网| 男女那种视频在线观看| 久久人妻福利社区极品人妻图片| 夜夜看夜夜爽夜夜摸| 又爽又黄无遮挡网站| 深夜精品福利| www日本在线高清视频| 成人av在线播放网站| 在线观看一区二区三区| 一级毛片精品| 久久精品91无色码中文字幕| 国产男靠女视频免费网站| 久久国产精品人妻蜜桃| 精品免费久久久久久久清纯| 99久久久亚洲精品蜜臀av| 国产精品久久电影中文字幕| 国产精品爽爽va在线观看网站| 国产精品亚洲一级av第二区| 欧美中文日本在线观看视频| АⅤ资源中文在线天堂| 国产黄片美女视频| 在线看三级毛片| 99热只有精品国产| 757午夜福利合集在线观看| 操出白浆在线播放| 一进一出好大好爽视频| 欧美乱色亚洲激情| 别揉我奶头~嗯~啊~动态视频| 日韩精品免费视频一区二区三区| 亚洲中文日韩欧美视频| 俺也久久电影网| 搡老岳熟女国产| 高潮久久久久久久久久久不卡| 九九热线精品视视频播放| 国产精品乱码一区二三区的特点| 久久香蕉精品热| 日本一二三区视频观看| 色哟哟哟哟哟哟| 女警被强在线播放| 国产精品影院久久| 欧美日韩亚洲国产一区二区在线观看| 少妇被粗大的猛进出69影院| 精品第一国产精品| 18禁国产床啪视频网站| 高潮久久久久久久久久久不卡| 久久久久久国产a免费观看| 香蕉久久夜色| 久久精品国产亚洲av高清一级| 777久久人妻少妇嫩草av网站| 黄片大片在线免费观看| 久久久久久人人人人人| 亚洲免费av在线视频| 久久这里只有精品中国| 50天的宝宝边吃奶边哭怎么回事| 欧美性猛交黑人性爽| 在线十欧美十亚洲十日本专区| 麻豆av在线久日| 日本免费一区二区三区高清不卡| 国产成人欧美在线观看| 色综合亚洲欧美另类图片| 看免费av毛片| 黄频高清免费视频| 在线观看免费视频日本深夜| 国产成人aa在线观看| 97人妻精品一区二区三区麻豆| 国产人伦9x9x在线观看| 国产精品日韩av在线免费观看| 不卡av一区二区三区| 男插女下体视频免费在线播放| 男人舔奶头视频| 法律面前人人平等表现在哪些方面|