该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题,设计DEFL (DenseNet121+EfficientNet with focal loss and label smoothing)模型。首先,该模型以并行的EfficientNet-B0网...该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题,设计DEFL (DenseNet121+EfficientNet with focal loss and label smoothing)模型。首先,该模型以并行的EfficientNet-B0网络和DenseNet121网络为特征提取网络,以提升模型特征提取能力,其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注。经测试,所提模型的识别准确率为99.13%,平均精度均值为98.47%。消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点。对比试验结果表明,DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的EfficientNet-B0模型分别高出14.53、13.17、14.61、 6.4、 7.71以及8.91个百分点,模型规模分别小18.73、 7.7、 12.2、 83.62、 69.6以及60.09MB。Grad-CAM(gradient-weighted class activation mapping)热力图可视化结果表明所提模型重点关注了叶片病变区域。UMAP(uniform manifold approximation and projection)特征降维可视化结果表明所提模型提取的特征更具区分度。实际应用验证取得了97.73%的总体准确率以及95.82%的平均精度均值。综上,该研究提出的DEFL模型能够为苹果病害防治提供有效参考。展开更多
文摘由于桥梁裂缝图像具有分布不规则、缝宽较小、背景像素比例较高等特性,为提高其检测精度和速度,提出了一种改进的YOLOv4算法,优化原主干网络CSPDarkNet53为EfficientNet B7网络以增强特征学习能力,并使用深度可分离卷积代替标准卷积,在提升模型运行效率的同时,也提高了其检测精度和准确率.并通过平移、旋转等数据增强方法将数据集正负样本扩增至6371张,增强了网络的拟合效果和泛化能力.实验结果表明:YOLOv4-EfficientNet B7的均值平均精度(Mean Average Precision,mAP)为80.11%,比YOLOv4的高出3.85%;检测精确率(precision)为80.13%,召回率(recall)由74.34%提升至78.63%,F1值(F1-score)高达80.61%,提高了2.94%;相较于原YOLOv4算法,检测精确率提高了1.86%,召回率增长了4.29%;与其他主流的裂缝检测算法相比,本算法在mAP和召回率上都有了显著提升,实现了精确检测桥梁裂缝的目的.
文摘该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题,设计DEFL (DenseNet121+EfficientNet with focal loss and label smoothing)模型。首先,该模型以并行的EfficientNet-B0网络和DenseNet121网络为特征提取网络,以提升模型特征提取能力,其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注。经测试,所提模型的识别准确率为99.13%,平均精度均值为98.47%。消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点。对比试验结果表明,DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的EfficientNet-B0模型分别高出14.53、13.17、14.61、 6.4、 7.71以及8.91个百分点,模型规模分别小18.73、 7.7、 12.2、 83.62、 69.6以及60.09MB。Grad-CAM(gradient-weighted class activation mapping)热力图可视化结果表明所提模型重点关注了叶片病变区域。UMAP(uniform manifold approximation and projection)特征降维可视化结果表明所提模型提取的特征更具区分度。实际应用验证取得了97.73%的总体准确率以及95.82%的平均精度均值。综上,该研究提出的DEFL模型能够为苹果病害防治提供有效参考。
