摘要
为探索半监督学习在草坪杂草识别领域的应用,研究利用大规模无标签数据训练和优化神经网络模型识别草坪杂草的可行性和效果,通过对半监督学习框架FixMatch进行一系列的优化和改进,包括将SGD优化器替换为AdamW以提升模型的收敛性和泛化能力;改进图像增强策略,去除随机剪切和CutOut操作,避免样本类别误判;设置更宽的特征提取网络,增强模型对草坪杂草多样形状和纹理的特征捕捉能力;以及增加通道注意力和空间注意力机制,提升模型对杂草关键特征的关注和识别精度。通过上述方法,提出并创建了更适用于草坪杂草识别的半监督学习框架TW-SSL。结果表明,在所有训练周期内,FixMatch和TW-SSL的平均准确率、平均精度、平均召回率和平均F1分数始终优于全监督方法。TW-SSL表现出了比FixMatch更高的性能,其平均准确率、平均精度、平均召回率和平均F1分数均高达0.985,而FixMatch的最高值仅为0.905。改进后的TW-SSL半监督学习框架在草坪杂草识别中明显优于FixMatch框架。TW-SSL半监督学习框架在少量有标签数据的场景下,能够充分利用无标签数据,提升模型的稳健性和泛化能力,训练出优于全监督和FixMatch的神经网络模型。由此证明,该方法能够显著提升神经网络模型的识别率,为草坪杂草识别提供了新的思路与实践参考。
出处
《江苏农业科学》
北大核心
2025年第20期211-219,共9页
Jiangsu Agricultural Sciences
基金
国家自然科学基金(编号:32072498)
山东省重点研发计划(编号:202211070163)
南京交通职业技术学院科研重点项目(编号:JZ2309)
潍坊市科技发展计划(编号:2024ZJ1097)。
