目录
目录
摘 要 III
ABSTRACT IV
第一章 文献综述 1
1 研究背景及意义 1
2 国内外研究现状 2
2.1 图像识别在作物病害上的应用 2
2.2 引入注意力机制的细粒度算法研究现状 3
2.3 存在的问题 4
3 本文主要研究内容 4
第二章 相关技术 6
1 深度学习理论 6
1.1人工神经网络 6
1.2卷积神经网络 9
2 经典卷积神经网络模型 12
2.1 AlexNet 12
2.2 VGGNet 12
2.3 GoogLeNet 13
2.4 ResNet 13
2.5 DenseNet 13
3 注意力机制 14
3.1 空间注意力模型 14
3.2 通道注意力模型 15
第三章 基于注意力机制及特征增强的水稻叶部病癍识别 17
1 关键技术 17
1.1 特征提取 17
1.2 数据增强及drop策略 18
1.3损失函数 19
2 模型构建 19
2.1 网络参数设置 19
2.2 如何训练和测试 20
第四章 实验设计及结果分析 21
1 数据集构造 21
1.1 数据采集 21
1.2 数据标注 21
2 开发框架选择 22
3 实验环境 23
4 算法对比 23
4.1 不同网络对比 23
4.2 不同算法对比 24
4.3 改进算法在不同主干网络上对比 26
5 模块有效性实验 27
6 可视化分析 28
7 实验结果分析 29
第五章 结论与展望 31
参考文献 32
基于attention感知和特征增强的田间水稻叶部病癍识别方法
摘 要 *51今日免费论文网|www.51jrft.com +Q: ￥351916072$ 

水稻作为最重要的农作物之一，其病害识别的研究逐步深入，但由于水稻叶片狭窄，病害区域微小，所以需要更高性能的细粒度识别算法来提升病害识别的精确度。本文利用计算机注意力机制结合改进的特征增强技术对水稻叶部病害识别方法进行研究。首先对原始输入图片通过主干卷积神经网络进行特征提取后，再将得到的特征图进行基于注意力引导的特征增强和drop操作，从而得到更具表征能力的图像。将改进处理后的特征图当作输入图像继续进行模型训练，用水稻褐斑病、水稻叶稻瘟、水稻叶枯病三种水稻叶部病害数据集进行测试，测试准确率为83.5%。通过与经典卷积神经网络和现有的细粒度算法对比，显现出改进算法的整体有效性，又通过模块有效性实验及可视化分析实验，证明了改进算法的数据增强及drop策略的局部有效性。结果表明，改进模型能够精准定位水稻叶部微小的病害区域且识别准确率高于现有的细粒度算法。
目录

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/610032.html