10.13610/j.cnki.1672-352x.20210824.002
基于深度残差网络的茶园杂草分类及模型压缩方法研究
为提高茶园杂草分类深度模型的准确性,减少深度模型的冗余参数问题.以茶园常见的10类杂草图像为数据样本,分别基于深度学习的ResNet50、VGGNet和AlexNet网络结构构建杂草分类模型;在此基础上,进一步利用剪枝算法压缩深度模型ResNet50.通过实验对比3个模型测试集的平均准确率分别为0.86、0.72和0.63;此外,通过对比ResNet50的茶园杂草模型在训练集和测试集上压缩前后效果,显示结果基本一致.研究表明ResNet50在这3个模型中是最优分类模型,且压缩后的深度模型ResNet50提升了模型的性能.因此,该研究也为移动端设备的分类提供了理论基础.
深度神经网络;深度模型压缩;模型剪枝;茶园杂草识别;图像分类
48
TP393;S571.105.3(计算技术、计算机技术)
国家重点研发计划课题;国家重点实验室开放基金
2021-11-09(万方平台首次上网日期,不代表论文的发表时间)
共6页
668-673