典型文献
基于改进GhostNet的小麦秸秆表皮结构完整性分类方法
文献摘要：
[目的]小麦秸秆表皮结构完整性是判断其资源化利用效果的关键因素之一,目前尚难以对秸秆破碎程度进行量化分析,为了实现小麦秸秆表皮结构完整性的分类,本研究提出了一种改进的GhostNet轻量级卷积神经网络,用于对小麦秸秆表皮显微图像进行完整性分类.[方法]基于小麦秸秆表皮显微成像技术,将迁移学习引入GhostNet中,降低了模型过拟合的风险,同时采用了Dropout层以提升网络的分类准确率.为了验证该方法的有效性,利用4320幅小麦秸秆表皮显微图像进行训练和验证,同时与ShuffleNet V2、ResNet 50和AlexNet深度学习网络进行了对比.[结果]试验结果表明,改进的GhostNet网络模型的分类准确率为99.2％,分别比ShuffleNet V2、ResNet 50和AlexNet提高了14.55％、3.66％和3.44％,为了验证该模型的鲁棒性,分别对高斯噪声和不同亮暗程度影响进行了测试,测试结果表明,改进后的GhostNet网络模型依然可以取得最佳的分类效果.[结论]该方法应用于小麦秸秆表皮显微图像的完整性分类是有效的、可行的,该方法可为秸秆预处理技术效率的量化分析提供参考.
文献关键词：
小麦秸秆;表皮结构完整性;GhostNet;显微图像;图像分类
中图分类号：
作者姓名：
张倩如;王云飞;吕帅朝;宋磊;尚钰莹;宋怀波
作者机构：
西北农林科技大学机械与电子工程学院/农业农村部农业物联网重点试验室,陕西 杨凌712100
文献出处：
引用格式：
[1]张倩如;王云飞;吕帅朝;宋磊;尚钰莹;宋怀波-.基于改进GhostNet的小麦秸秆表皮结构完整性分类方法)[J].南京农业大学学报,2022(04):788-798
A类：
表皮结构完整性
B类：
GhostNet,小麦秸秆,分类方法,资源化利用,尚难,破碎程度,轻量级卷积神经网络,显微图像,显微成像,迁移学习,过拟合,Dropout,分类准确率,ShuffleNet,V2,ResNet,AlexNet,深度学习网络,高斯噪声,分类效果,秸秆预处理,预处理技术,技术效率,图像分类
AB值：
0.197828
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
