文献

J-GLOBAL ID：202102266529198218   整理番号：21A2404235

RAdam畳込みニューラルネットワークに基づくイネ生育期画像認識【JST・京大機械翻訳】

Image recognition for different developmental stages of rice by RAdam deep convolutional neural networks

著者 (4件)： Xu Jianpeng (安徽省農村綜合経済信息中心,合肥 230031;安徽省農業生態大数据工程実験室,合肥 230031) ,  Wang Jie (安徽省農村綜合経済信息中心,合肥 230031;安徽省農業生態大数据工程実験室,合肥 230031) ,  Xu Xiang (安徽省農村綜合経済信息中心,合肥 230031) ,  Ju Shucun (安徽省農村綜合経済信息中心,合肥 230031;安徽省農業生態大数据工程実験室,合肥 230031)
資料名： Nongye Gongcheng Xuebao  (Nongye Gongcheng Xuebao)
巻： 37  号： 8  ページ： 143-150  発行年： 2021年 
JST資料番号： C2454A  ISSN： 1002-6819  CODEN： NGOXEO  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 現段階における水稲発育期情報の獲得は主に人工観測の効率が低く、主観性が強いなどの問題に取り組むため、本研究はRectifiedAdam(RAdam)最適化器に基づくResNet50畳込みニューラルネットワーク画像識別方法を提案した。水稲の重要生育期の自動識別を展開した。連続2aの12の試験畑の水稲の生物季節特徴に対して継続的な自動撮影を行い、採集された水稲の画像を前処理し、水稲の各発育期の分類画像データセットを得た。ExG因子と大津法(Otsu)アルゴリズムの組合せにより,イネの画像セグメンテーションを行い,水田のバックグラウンド干渉を低減した。VGG16,VGG19,ResNet50およびInceptionv3の4つのモデルの下で,イネ成長段階における画像分類識別の性能を比較し,そして,性能最適化ネットワークモデルを選択して,ネットワークパラメータを最適化した。異なる最適化器におけるモデル精度と損失値の変化を比較し,RAdam最適化器を選択した。結果は,RAdam最適化器コンボリューションニューラルネットワークに基づくモデルが,実際の場面で分類精度が97.33%に達し,ネットワーク安定性が高く,収束速度が速く,イネの生育期の自動化観測に効果的な方法を提供することを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  干渉 ,  最適化 ,  自動化 ,  前処理 ,  水稲 ,  成長段階 ,  *成長期 ,  *画像認識
準シソーラス用語： 収束速度 ,  画像セグメンテーション ,  画像分類 ,  ネットワークモデル ,  自動認識 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 稲作  (FC03020C)

タイトルに関連する用語 (4件)： 畳込みニューラルネットワーク ,  イネ ,  生育期 ,  画像認識