摘要
目前,谷子已成为我国一种非常重要的粮食作物,其生长期中土壤和施肥环境的检测非常关键。为避免出现大规模缺钾、缺镁等元素缺失情况,研究者们提出许多元素失衡判断方法。但传统方法大多只提取图像单尺度特征,识别性能受限。为解决该问题,提出一种改进的卷积神经网络来识别谷子生长期元素失衡情况。在神经网络中引入Inception结构,在不同尺度上组合深度特征以识别不同大小的异变斑块形态,从而提高识别准确率。同时,为提升模型鲁棒性,在模型中引入了Dropout以及ReLU激活函数。实验结果显示该方法将识别准确率从95.6%提升到98%,说明多尺度特征提取可提高生长期元素失衡识别性能准确性。
出处
《物联网技术》
2020年第3期33-36,39,共5页
Internet of things technologies
基金
山西农业大学青年科技创新项目(41257914)。
