分类： 图书馆学、情报学 >> 情报学 提交时间： 2023-04-01 合作期刊: 《图书情报工作》
摘要： [目的/意义] 将从互联网大数据中无监督学习的结果迁移到目标领域，解决目标领域因学习样本有限而信息识别效果难以提升的问题。[方法/过程] 使用以中文维基百科等数据预训练的RoBERTa模型进行迁移学习，将学习结果映射到目标领域后使用DPCNN对其进行聚合凝练，然后结合部分标注数据微调模型完成领域信息的精准识别。[结果/结论] 在10个领域内与未进行迁移学习的模型及经典模型TextCNN对比，提出的模型均较大幅度优于对比模型，平均后的精确率绝对提高4.15%、3.43%，召回率绝对提高4.55%、3.44%，F1分数绝对提高4.52%、3.44%，表明利用网络大数据迁移学习可以显著提升目标领域的信息识别效果。
分类： 电子与通信技术 >> 信息处理技术 提交时间： 2024-01-07
摘要： 近年来，随着深度学习技术的迅速发展，基于卷积神经网络（CNN）的图像识别在各个领域取得了显著的成就。在植物学领域，花卉种类的识别是一个重要的研究方向，对于生态学、农业以及环境监测等诸多方面具有重要意义。本研究旨在探索并优化ResNet（深度残差网络）在花卉种类识别任务中的应用。首先，文章对ResNet网络的结构进行了深入分析，理解了其引入残差学习的机制，以及如何有效地应对深层网络训练中的梯度消失和爆炸问题。通过在花卉图像数据集上的实验，验证了ResNet在处理复杂多类别花卉图像识别任务上的卓越性能。在数据预处理阶段，文章采用了数据增强技术，包括裁剪和翻转等，以扩充训练数据集，提高模型的泛化能力，同时对花卉图像进行了标准化处理，以适应ResNet网络对输入数据的要求。实验结果表明，相较于传统的神经网络模型，采用ResNet网络的花卉种类识别模型在准确率和收敛速度上均有显著提升。此外，通过深度分析模型在不同花卉类别上的表现，发现ResNet网络在处理具有层次结构和复杂形态的花卉图像时表现更为出色。本文提出的模型不仅在整体上取得了优异的性能，还在对特定花卉类别的识别上具备较高的准确性。在进一步的研究中，我们考虑通过迁移学习进一步提升模型的泛化能力，特别是在面对小样本花卉数据集时。同时将探索模型的实时性能，以适应现实场景中对花卉种类快速准确识别的需求。本研究通过对ResNet网络在花卉种类识别任务中的优势和应用进行全面而深入的分析，为深度学习在植物学领域的应用提供了有益的参考和借鉴。研究成果不仅对花卉识别技术的改进具有一定的理论价值，同时也在实际应用中具备广泛的推广潜力。
分类： 计算机科学 >> 计算机应用技术 提交时间： 2016-05-03
摘要： 近年来，迁移学习已经引起了广泛的关注。迁移学习是运用已存有的知识对不同但相关领域问题进行求解的新的一种机器学习方法。传统机器学习基于两个基本假设：(1) 用于学习的训练样本与新的测试样本满足独立同分布的条件；(2) 必须有足够可利用的训练样本才能学习得到一个好的分类模型。迁移学习降低了要求，目的是迁移已有的知识来解决目标领域中仅有少量或没有有标签样本数据时的学习问题。本文对迁移学习算法以及相关理论研究进展进行了综述，并介绍了我们在该领域所做的研究工作，特别是利用生成模型在概念层面建立迁移学习模型。最后指出了迁移学习下一步可能的研究方向。
分类： 图书馆学、情报学 >> 图书馆学 提交时间： 2023-09-05 合作期刊: 《农业图书情报学报》
摘要： 目的 / 意义 近代文献中的图像作为重要的历史史料，日益受到人文学者的重视，大规模图像资源的深度标注也随 之成为图像数据基础设施建设的重要组成部分，利用深度学习对海量图像进行内容解析是图像研究的新方向。本文的研究目 的，是通过基于EfficientNet 的迁移学习在近代文献图像分类中的实证研究，解决大规模近代文献图像的自动分类问题，提 高其在实际应用中的准确率和效率。 方法 / 过程 本文的研究方法，是根据近代文献图像中的特征分析，采用 7 645 张近代 文献图像数据集，通过裁切、白平衡、色调分离、仿射变换等图像增强手段串行叠加，提高样本图像的多样性，并通过对深 度学习算法的研究，使用微调的简化 EfficientNet 深度卷积神经网络模型进行迁移学习，最终得到了在近代文献图像分类上 表现良好的模型。 结果 / 结论 本文的研究结论，是根据实验结果发现，该模型有效提高了图像分类效率和分类准确性，对 于解决近代文献中大规模图像的自动分类具有一定的推广价值。
分类： 心理学 >> 应用心理学 分类： 计算机科学 >> 计算机应用技术 提交时间： 2024-04-10
摘要： 整合复杂性是心理学中用来测量个体思维结构的一个概念，主要涉及两个方面：区分性和整合性。区分性是指个体能够识别和理解信息中存在的不同观点或元素的能力；整合性是指个体能够将这些不同的观点或元素合并成一个有逻辑性和连贯性的整体的能力。整合复杂性的测量主要依靠人工对于文本内容进行分析，这些文本可以是书面材料、演讲稿、面试记录或任何其他形式的口头或书面表达。针对当前整合复杂性人工测评方法成本高、自动化评估方法精度低以及缺乏中文文本评估方案等问题，本研究基于大语言模型文本数据增强技术和模型迁移技术为整合复杂性的评估设计了对于中英文文本的自动化评估方案，并探索了整合复杂性两种子结构：精细整合复杂性和辩证整合复杂性的自动化评估方法。本文设计并实施了两个研究，首先基于大语言模型文本数据增强技术实现了对于英文文本整合复杂性的预测模型，其次基于模型迁移技术实现了对于中文文本整合复杂性的预测模型。研究结果显示：1）使用GPT-3.5-Tubo对于英文文本数据进行增强，使用预训练多语言Roberta模型进行词向量提取，使用文本卷积神经网络模型作为下游模型。与人工标注相比，整合复杂性Spearman相关系数为0.62，辩证整合复杂性相关系数为0.51，精细整合复杂性Spearman相关系数为0.60。优于机器学习方法以及未经过数据增强的神经网络模型。2）本文在研究二中建立了与研究一中的神经网络结构一致的模型，并将研究一中最终的模型参数迁移至本研究的模型中，对于中文文本整合复杂性进行训练。在零样本的情况下，迁移学习模型整合复杂性Spearman相关系数为0.31，辩证整合复杂性Spearman相关系数为0.31，精细整合复杂性相关系数为0.33，均优于随机参数情况下的模型表现（整合复杂性：0.17，辩证整合复杂性：0.10，精细整合复杂性：0.10）。在小样本情况下迁移学习模型整合复杂性Spearman相关系数为0.73，辩证整合复杂性Spearman相关系数为0.51，精细整合复杂性相关系数为0.73。
分类： 图书馆学、情报学 >> 图书馆学 提交时间： 2023-10-08 合作期刊: 《知识管理论坛》
摘要： [ 目的 / 意义 ] 跨领域情感分类仍是亟需重点研究的问题之一。[ 方法 / 过程 ] 借助情感无关词， 通过谱聚类算法构建源领域与目标领域的跨域情感特征词簇，将谱聚类得到的情感词特征与位置特征、关 键词特征、词性特征融入逻辑回归分类算法中，实现基于多特征融合的跨领域情感分类算法；并以用户评 论数据进行验证。[ 结果 / 结论 ] 研究结果表明，CDFF(Cross Domain pulse Four Factor) 算法可有效实现跨 域用户的情感分类，为跨领域情感分类研究提供借鉴。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 牦牛个体身份标识是实现个体建档、行为监测、精准饲喂、疫病防控及食品溯源的前提。针对智 慧畜牧智能化、信息化等养殖平台中动物个体识别技术应用需求，本研究提出一种基于迁移学习的多尺度 特征融合牦牛脸部识别算法（Transfer Learning-Multiscale Feature Fusion-VGG， T-M-VGG）。以预训练的视觉 几何组网络（Visual Geometry Group Network，VGG） 为骨干网络构建基于迁移学习的卷积神经网络模型，获 取其Block3、Block4、Block5输出的特征图，分别用F3、F4、F5表示，将F3和F5经过三个不同膨胀系数的 空洞卷积组成的并行空洞卷积模块增大感受野后，送入改进的特征金字塔进行多尺度特征融合; 最后利用 全局平均池化代替全连接层分类输出。试验结果表明，本研究提出的T-M-VGG算法在194头牦牛的38,800 张数据集中识别准确率达到96.01%，模型大小为70.75 MB。随机选取12张不同类别牦牛图像进行面部遮挡 测试，识别准确率为83.33%。本算法可以为牦牛脸部识别研究提供参考。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-07-23 合作期刊: 《计算机应用研究》
摘要： 图像风格迁移是一种用不同风格渲染图像语义内容的图像处理方法。随着深度学习的兴起，图像风格迁移获得了进一步的发展，并取得了一系列突破性的研究成果。其出色的风格迁移能力引起了学术界和工业界的广泛关注，具有重要的研究价值。为推进基于深度学习的图像风格迁移的技术研究，对目前的主要方法和代表性工作进行了归纳与探讨。首先回顾了非参数的图像风格迁移，详细介绍了目前主要的基于深度学习的图像风格迁移的基本原理和方法，分析了图像风格迁移在相关领域中的应用前景，最后总结了基于深度学习的图像风格迁移目前存在的问题与未来的研究方向。
分类： 图书馆学、情报学 >> 图书馆学 提交时间： 2023-08-26 合作期刊: 《图书情报工作》
摘要： [目的/意义]通过在标注资源丰富的源领域（Source Domain）中学习，并将目标领域（Target Domain）的文档投影到与源领域相同的特征空间（Feature Space）中去，从而解决目标领域因标注数据量较小而难以获得好的分类模型的问题。[方法/过程]选择亚马逊在书籍、DVD和音乐类目下的中文评论作为实验数据，以跨领域情感分析作为研究任务，提出一种跨领域深度循环神经网络（Cross Domain Deep Recurrent Neural Network，CD-DRNN）模型，实现不同领域环境下的知识迁移。CD-DRNN模型在跨领域环境下的平均分类准确度达到了81.70%，优于传统的栈式长短时记忆网络（Stacked Long Short Term Memory，Stacked-LSTM）模型（79.90%）、双向长短时记忆网络模型（Bidirectional Long Short Term Memory，Bi-LSTM）模型（80.50%）、卷积神经网络长短时记忆网络串联（Convolution Neural Network with Long Short Term Memory，CNN-LSTM）（74.70%）模型以及卷积神经网络长短时记忆网络并联（Merged Convolution Neural Network with Long Short Term Memory，Merged-CNN-LSTM）模型（80.90%）。[结果/结论]源领域和目标领域的知识迁移能够有效解决监督学习在小数据集上难以获得好的分类效果的问题，通过CD-DRNN模型能够从无标注数据中有效地筛选特征，从而大大降低目标领域数据标注相关的工作量。
分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］根系是植物组成的重要部分，其生长发育至关重要。根系图像分割是根系表型分析的重要 方法，受限于图像质量、复杂土壤环境、低效传统方法，根系图像分割存在一定挑战。［方法］为提高根系图像分 割的准确性和鲁棒性，本研究以UNet模型为基础，提出了一种多尺度特征提取根系分割算法，并结合数据增强和 迁移学习进一步提高改进UNet模型的泛化性和通用性。首先，获取棉花根系单一数据集和开源多作物混合数据 集，基于单一数据集的消融试验测试多尺度特征提取模块（Conv_2+Add） 的有效性，与UNet、PSPNet、SegNet、 DeeplabV3Plus算法对比验证其优势。基于混合数据集验证改进算法（UNet+Conv_2+Add） 在迁移学习的优势。 ［结果和讨论］UNet+Conv_2+Add相比其他算法（UNet、PSPNet、SegNet、DeeplabV3Plus），mIoU、mRecall和根 系F1调和平均值分别为81.62%、86.90%和78.39%。UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的 交并比（Intersection over Union，IoU） 值提升1.25%，根系的Recall值提升1.79%，F1调和平均值提升0.92%，且 模型的整体收敛速度快。［结论］本研究采用的多尺度特征提取策略能准确、高效地分割根系，为作物根系表型研 究提供重要的研究基础。
分类： 工程与技术科学 >> 生物医学工程学 提交时间： 2024-04-29
摘要： 缺乏训练本导致的脑电识别正确率不足是阻碍错误相关电位（ErrP）脑机接口实用化的重要难题｡为提升有限训练样本条件下的ErrP识别效果,本研究提出一种基于数据对齐策略的迁移判别子空间分析（TDSA）算法｡该算法提取源受试者与目标受试者脑电样本中体现类间差异信息的共有判别子空间,通过子空间中的时域对齐策略,成功强化了受试者之间的共有特征｡研究使用2个公开数据集,对比6种不同数据对齐迁移学习策略｡结果表明,小样本条件下TDSA算法在数据集1中的平衡正确率相较次优的基于欧式对齐方法提高6.07%,相较不使用迁移学习方法提高7.88%｡TDSA算法仅需60～100个目标受试者数据样本训练,即可接近传统分类策略使用210～350个样本进行训练的分类水平,为实现ErrP数据对齐提供了新思路｡
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2019-04-01 合作期刊: 《计算机应用研究》
摘要： 提出了一种基于改进的深度残差网络（residual network，ResNet）的表情识别算法。采用小卷积核和深网络结构，利用残差模块学习残差映射解决了随着网络深度的增加网络精度下降问题, 通过迁移学习方法克服了因数据量不足导致训练不充分的缺点；网络架构使用了线性支持向量机（SVM）进行分类。实验中首先利用ImageNet数据库进行网络参数预训练，使网络具有良好的提取特征能力，根据迁移学习方法，利用FER-2013数据库以及扩充后的CK+数据库进行参数微调和训练。该算法克服了浅层网络需要依靠手工特征，深层网络难以训练等问题，在CK+数据库以及GENKI-4K数据库上分别取得了91.333%和95.775%识别率。SVM在CK+数据库的分类效果较Softmax提高了1%左右。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2018-05-20 合作期刊: 《计算机应用研究》
摘要： 传统的生物医学命名实体识别方法需要大量目标领域的标注数据，但是标注数据代价高昂。为了降低生物医学文本中命名实体识别对目标领域标注数据的需求，将生物医学文本中的命名实体识别问题化为基于迁移学习的隐马尔可夫模型问题。对要进行命名实体识别的目标领域数据集无须进行大量数据标注，通过迁移学习的方法实现对目标领域的识别分类。以相关领域数据为辅助数据集，利用数据引力的方法评估辅助数据集的样本在目标领域学习中的贡献程度，在辅助数据集和目标领域数据集上计算权值进行迁移学习。基于权值学习模型，构建基于迁移学习的隐马尔可夫模型算法BioTrHMM。在GENIA语料库的数据集上的实验表明，BioTrHMM算法比传统的隐马尔可夫模型算法具有更好的性能；仅需要少量的目标领域标注数据，即可具有较好的命名实体识别性能。
分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］利用低空无人机技术并结合深度学习语义分割模型精准提取作物倒伏区域是一种高效的倒 伏灾害监测手段。然而，在实际应用中，受田间各种客观条件（不同无人机飞行高度低于120 m、多个研究区、 关键生育期不同天气状况等） 限制，无人机获取的图像数量仍偏少，难以满足高精度深度学习模型训练的要求。 本研究旨在探索一种在作物生育期和研究区有限的情况下精准提取倒伏面积的方法。［方法］以健康/倒伏小麦为 研究对象，在其灌浆期和成熟期开展麦田图像采集工作。设置2个飞行高度（40和80 m），采集并拼接获取2019、 2020、2021和2023年份3个研究区的数字正射影像图（Digital Ortho⁃photo Map，DOM）；在Swin-Transformer深度 学习语义分割框架基础上，分别使用40 m训练集单独训练、40和80 m训练集混合训练、40 m训练集预训练80 m 训练集迁移学习等3种训练方法，获得对照模型、混合训练模型和迁移学习模型；采用对比实验比较上述3种模型 分割80 m高度预测集图像的精度并评估模型性能。［结果和讨论］迁移学习模型倒伏面积提取精度最高，交并比、 正确率、精确率、召回率和F1-Score共5个指标平均数分别为85.37%、94.98%、91.30%、92.52%和91.84%，高于 对照组模型1.08%~3.19%，平均加权帧率达到738.35 fps/m2，高于40 m图像183.12 fps/m2。［结论］利用低飞行高 度（40 m） 预训练语义分割模型，在较高飞行高度（80 m） 空图像做迁移学习的方法提取倒伏小麦面积是可行的， 这为解决空域飞行高度限制下，较少80 m及以上图像数据集无法满足语义分割模型训练的要求的问题，提供了一 种有效的方法。
分类： 图书馆学、情报学 >> 图书馆学 提交时间： 2023-10-08 合作期刊: 《知识管理论坛》
摘要： [ 目的 / 意义 ] 在新冠疫情背景下，提出多任务环境下融合迁移学习的疫情新闻要素识别方法， 向公众提供面向应急事件的知识服务。[ 方法 / 过程 ] 首先，通过多任务识别新闻要素：基于规则识别 时间要素；并融合模型迁移与深度学习方法，构建跨领域的要素识别模型。在此基础上，构建疫情新闻 要素的关联数据，以知识图谱的方式展示各要素之间的关联关系。[ 结果 / 结论 ] 实验结果表明，除药 物外的新闻要素的识别 F1 值均在 80% 以上，说明融合迁移学习的模型能够取得较优的识别效果；并且， 关联数据知识图谱能够直观显示新闻的重点要素及新闻的主要内容。综上所述，提出的方法能够有效识 别新冠疫情新闻要素，从而帮助新闻读者准确、高效地获取新闻中的重要信息。
分类： 农、林、牧、渔 >> 农业基础学科 提交时间： 2023-08-14 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］荒漠植物的准确识别是其认识和保护过程中不可或缺的任务，是荒漠生态研究与保护的基 础。自然条件下野外荒漠植物图像的机器视觉自动分类识别可有效提升植物资源调查效率、降低人为主观因素影 响，对荒漠植物的精准分类、多样性保护和资源化利用具有重要意义。［方法］以自然环境下的整株荒漠植物图像 为研究对象，构建新疆干旱区荒漠植物图像数据集，以EfficientNet B0—B4网络为基础网络，提出一种融合迁移学 习和集成学习的荒漠植物图像识别算法，并在公开数据集Oxford Flowers102上进行对比验证。［结果和讨论］基于 EfficientNet B0网络的单一子模型的 Top-1准确率最高可达 93.35%，最低为 92.26%，软投票Ensemble-Soft 模型、硬 投票 Ensemble-Hard 模型以及加权投票法集成的 Ensemble-Weight 模型的准确率分别为 93.63%、93.55%和 93.67%， F1 Score 和准确率相当；基于 EfficientNet B0—B4 网络的单一子模型的 Top-1 准确率最高可达 96.65%，F1 Score 为 96.71%，而 Ensemble-Soft 模型、Ensemble-Hard 模型以及 Ensemble-Weight 模型的准确率分别为 99.07%、98.91%和 99.23%，相较于单一子模型，精度进一步提高，F1 Score 与准确率基本相同，模型性能显著；在公开数据集Oxford Flowers102上进行对比试验，3个集成模型相比 5个子模型准确率和F1 Score 最高提升了 4.56%和 5.05%，最低也提 升了 1.94%和 2.29%，证明了本研究提出的迁移和集成学习策略能够有效提高模型性能。［结论］ 本方法可提高荒 漠植物的识别准确率，通过云端传输至服务器后，实现荒漠植物的准确识别，为真实野外环境下植物图像识别精 度低、模型鲁棒性及泛化性弱等问题提供解决思路。服务于野外调查、教学科普以及科学实验等场景。
分类： 农、林、牧、渔 >> 农业基础学科 提交时间： 2023-08-14 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］针对传统人工识别病虫害存在的效率过低、成本过高等问题，提出一种融合ECA（Effi⁃ cient Channel Attention）注意力机制与DenseNet201的水稻图像识别模型GE-DenseNet（G-ECA DenseNet）。［方法］ 首先在ECA机制上引入Ghost模块的思想构成G-ECA Layer结构，增强其提取特征的能力。其次，在DenseNet201 原有的Dense Block前引入G-ECA Layer，使模型具有更优的通道特征提取能力。由于实验所用的数据集较小，将 DenseNet201在ImageNet数据集上预训练的权重参数迁移到GE-DenseNet中。训练时，采用Focal Loss函数来解决 各分类样本不均衡的问题。同时，使用Adam优化器以避免在模型训练初期由于部分权重随机初始化而导致反向 传播的梯度变化剧烈的问题，在一定程度上削弱了网络训练的不确定性。［结果和讨论］在包含水稻胡麻斑病、水 稻铁甲虫、稻瘟病与健康水稻的3355张图像数据集上进行了实验测试，识别准确率达到83.52%。由GE-DenseNet 模型的消融对比实验可得，引入了Focal Loss函数与G-ECA Layer层之后，模型准确率上升2.27%。将所提模型与 经典NasNet（4@1056）、VGG-16和ResNet50模型相比，分类准确率分别提高了6.53%、4.83%和3.69%；相较于 原始的DenseNet201，对水稻铁甲虫的识别准确率提升达20.32%。［结论］加入G-ECA Layer结构能够使模型更为 准确地捕捉适合于水稻病虫害识别的特征信息，从而使GE-DenseNet模型能够实现对不同水稻病虫害图像更为准 确地识别，为及时防治病虫害，减少各类损失提供技术支持。
分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2023-02-17 合作期刊: 《智慧农业（中英文）》
摘要： 番茄病害的及时检测可有效提升番茄的质量和产量。为实现番茄病害的实时无损伤检测，本研究 提出了一种基于改进MobileNetV3 的番茄叶片病害分类识别方法。首先选择轻量级卷积神经网络Mobile⁃ NetV3，在Image Net数据集上进行预训练，将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并 做微调处理。采用相同的训练方法对VGG16、ResNet50和Inception-V3 三种深度卷积网络模型也进行迁移学 习并进行对比，结果显示MobileNetV3的总体学习效果最好，在Mixup混合增强和focal loss损失函数下对10 类番茄病害的平均测试识别准确率达到94.68%。在迁移学习的基础上继续改进MobileNetV3模型，在卷积 层引入空洞卷积和感知机结构，采用GLU（Gated Liner Unit） 闸门机制激活函数，训练得到最佳的番茄病害 识别模型，平均测试的识别准确率98.25%，模型的数据规模43.57 MB，单张番茄病害图像的检测耗时仅 0.27 s。经十折交叉验证（10-Fold Cross-Validation），模型的鲁棒性良好。本研究可为番茄叶片病害的实时 检测提供理论基础和技术支持。
分类： 计算机科学 >> 计算机科学的集成理论 提交时间： 2019-01-03 合作期刊: 《计算机应用研究》
摘要： 针对公共场合人群异常行为检测准确率不高和训练样本缺乏的问题，提出一种基于深度时空卷积神经网络的人群异常行为检测和定位的方法。首先针对监控视频中人群行为的特点，综合利用静态图像的空间特征和前后帧的时间特征，将二维卷积扩展到三维空间，设计面向人群异常行为检测和定位的深度时空卷积神经网络；为了定位人群异常行为，将视频分成若干子区域，获取视频的子区域时空数据样本，然后将数据样本输入设计的深度时空卷积神经网络进行训练和分类，实现人群异常行为的检测与定位。同时，为了解决深度时空卷积神经网络训练时样本数量不足的问题，设计一种迁移学习的方法，利用样本数量多的数据集预训练网络，然后在待测试的数据集中进行微调和优化网络模型。实验结果表明，该方法在UCSD和Subway公开数据集上的检测准确率分别达到了99%和93%以上。
分类： 农、林、牧、渔 >> 农业基础学科 提交时间： 2023-08-14 合作期刊: 《智慧农业（中英文）》
摘要： ［目的/意义］为实现不同部位牦牛肉快速、准确识别，本研究提出了一种改进的残差网络模型，并开发 了一种基于智能手机的牦牛肉部位识别软件。［方法］首先对于采集到的牦牛里脊、上脑、腱子、胸肉的原始图像 数据集采用数据增强的方式对其进行扩充，共得到的牦牛肉部位图像17,640张；其次，采用在原网络模型残差块 之后融入轻量级卷积块注意力模块（Convolutional Block Attention Module，CBAM），以加强对不同部位牦牛肉图像 关键细节特征的提取；将原模型最后的全连接层进行改进，以减少后续网络层的连接数，防止出现过拟合，减少 识别图像所需的时间；然后，采用不同的学习率、权重衰减系数和优化器来验证对网络收敛速度和准确率的影响； 最后，开发了移动端App，将改进后的模型部署到移动端。［结果和讨论］通过消融实验，探究出在CBAM、 SENet、NAM、SKNet四种注意力机制模块中，改进效果最好的是CBAM。将改进后的ResNet18_CBAM模型在包含 牦牛里脊、上脑、腱子、胸肉4种不同牦牛肉部位的数据集上进行了试验测试，结果表明，改进后的残差网络模 型在测试集上的识别准确率为96.31%，比改进前的原网络模型提高了2.88%。在手机端的实际场景测试中，牦牛 里脊、上脑、腱子、胸肉的识别准确率分别达到了96.30%、94.92%、98.04%、96.49%。该结果表明，改进后的 ResNet18_CBAM模型可在实际应用中识别不同部位牦牛肉且具有良好的结果。［结论］本研究成果有助于保障牦 牛肉产业的食品质量安全，也为青藏高原地区的牦牛肉产业智能化发展提供技术支撑。
点击量
点击量
下载量
评论
待评议
通过
