基于改进EfficientNet的植物图像分类算法

光金正; 梁鉴如; 刘义生

doi:10.13873/J.1000-9787(2022)08-0136-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于改进EfficientNet的植物图像分类算法

计算与测试 | 更新时间：2025-09-11

- 基于改进EfficientNet的植物图像分类算法
- 基于改进EfficientNet的植物图像分类算法
- 传感器与微系统 2022年第8期页码：136-139
- 作者机构：
  
  上海工程技术大学电子电气工程学院 2. 苏州科技大学机械工程学院
- 作者简介：
- 基金信息：
- DOI：10.13873/J.1000-9787(2022)08-0136-04
  中图分类号： S126;TP391.41
- 纸质出版：2022
- 稿件说明：
移动端阅览
光金正, 梁鉴如, 刘义生. 基于改进EfficientNet的植物图像分类算法[J]. 传感器与微系统, 2022,(8):136-139.

基于改进EfficientNet的植物图像分类算法[J]. 2022, (8): 136-139.
光金正, 梁鉴如, 刘义生. 基于改进EfficientNet的植物图像分类算法[J]. 传感器与微系统, 2022,(8):136-139. DOI： 10.13873/J.1000-9787(2022)08-0136-04.

基于改进EfficientNet的植物图像分类算法[J]. 2022, (8): 136-139. DOI： 10.13873/J.1000-9787(2022)08-0136-04.

摘要

针对目前嵌入式设备受计算能力和存储容量的限制，难以运行模型体积较大的高精度网络的问题，提出了一种基于改进EfficientNet的植物图像分类算法。该算法是结合神经网络搜索技术，对网络的深度、宽度和分辨率按照特定的比例进行平衡放缩；同时兼顾了速度和精度，并将EfficientNet的激活函数更改为Mish激活函数，进一步提升了精度。实验结果表明：改进EfficientNet在自制植物数据集上分类准确率为97.2%

比原EfficientNet的96.8%提高了0.4%

但比MobileNetV2的94.1%提高了3.1%。在Oxford 102 Flowers数据集上，改进EfficientNet和DenseNet169的分类准确率均为97.7%

但改进EfficientNet有着更小的模型体积和计算量。因此，改进EfficientNet很适合应用在嵌入式设备末端部署。

Abstract

比原EfficientNet的96.8%提高了0.4%

但比MobileNetV2的94.1%提高了3.1%。在Oxford 102 Flowers数据集上，改进EfficientNet和DenseNet169的分类准确率均为97.7%

但改进EfficientNet有着更小的模型体积和计算量。因此，改进EfficientNet很适合应用在嵌入式设备末端部署。

关键词

Keywords

references

适于行人重识别的二分支EfficientNet网络设计 [J]. 尹梓睿,张索非,张磊,吴晓富. 信号处理 . 2020(09)

基于深度学习的高光谱图像分类算法 [J]. 孔燕萍,覃亚丽. 传感器与微系统 . 2020(07)

基于判别关键域和深度学习的植物图像分类 [J]. 张雪芹,余丽君. 计算机工程与设计 . 2020(03)

稀疏自编码和Softmax回归的快速高效特征学习 [J]. 徐德荣,陈秀宏,田进. 传感器与微系统 . 2017(05)

卷积神经网络研究综述 [J]. 周飞燕,金林鹏,董军. 计算机学报 . 2017(06)

基于深度模型迁移学习的花卉图像分类方法 [D]. 郜翔. 河南师范大学 2018

机器学习[M]. 清华大学出版社 , 周志华, 2016

Automated fruit recognition using EfficientNet and MixNet [J] . Linh T. Duong,Phuong T. Nguyen,Claudio Di Sipio,Davide Di Ruscio. Computers and Electronics in Agriculture . 2020 (C)

Mish: A Self Regularized Non-Monotonic Neural Activation Function. [J] . Diganta Misra. CoRR . 2019

ImageNet classification with deep convolutional neural networks [J] . Alex Krizhevsky,Ilya Sutskever,Geoffrey E. Hinton. Communications of the ACM . 2017 (6)

浏览量

1005

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据