您好，欢迎访问江苏省农业科学院 机构知识库！
江苏省农业科学院机构知识库

全部

  • 全部
  • 标题
  • 学者
  • 机构
  • 关键词

基于深度学习的可食用野菜种类识别

文献类型： 中文期刊

作者： 吴玉强 1 ; 孙荀 1 ; 季呈明 2 ; 胡乃娟 3 ;

作者机构： 1.南京警察学院信息技术学院

2.南京农业大学工学院

3.江苏省农业科学院农业经济与发展研究所

关键词： 可食用野菜;种类识别;卷积神经网络;视觉自注意力;注意力机制模块

期刊名称： 中国瓜菜

ISSN： 1673-2871

年卷期： 2024 年 37 卷 011 期

页码： 57-66

摘要： 可食用野菜兼具营养价值和药用价值，然而传统采摘可食用野菜的分辨主要依赖人为主观经验，效率低且错误风险高，因此对可食用野菜快速准确的识别对实现野菜产业开发和保障食用安全具有重要意义。以南京地区“七头一脑”共8种可食用野菜为研究对象，构建了8种野菜的2400张图像数据集，采用3种具有代表性的卷积神经网络（convolutional neural network,CNN）模型（AlexNet、VGG16和ResNet50）和3种视觉自注意力（vision transformer,ViT）模型（ViT、CaiT和DeiT）共6种不同的深度学习模型进行训练和验证，并通过梯度加权类激活映射（gradient-weighted class activation mapping,Grad-CAM）来分析深度学习模型的决策机制。结果表明，ResNet50在验证集上的准确率达到94.68%，精确率、召回值和F1分数分别为97.66%、97.74%和97.70%，在6个模型中表现最佳。随后，在最优模型ResNet50基础上添加卷积模块的注意力机制（convolutional block attention module,CBAM）和坐标注意力机制（coordinate attention,CA）模块进行模型优化，结果显示，CBAM-ResNet50准确率达到了97.67%,CA-ResNet50准确率达到了98.34%，分别提高了2.99个百分点和3.66个百分点。以上研究结果证实了CNN模型在数据集上能取得比ViT更好的结果，利用深度学习识别可食用野菜种类是可行的，且添加注意力模块能够实现更高的识别准确率。

  • 相关文献

[1]一种边缘辅助的卫星影像云修复卷积神经网络. 张雨姝,戴佩玉. 2024

[2]基于卷积神经网络的水稻虫害识别. 梁万杰,曹宏鑫. 2017

[3]基于MS-PLNet和高光谱图像的绿豆叶斑病病级分类. 余骥远,高尚兵,李洁,陈新,李士丛,张浩淼,袁星星,唐琪. 2023

[4]基于Sentinel-2影像的淡水养殖水生动物类型识别研究. 金晶,毛星,张欣,刘杨,陆学文,任妮. 2022

[5]基于改进坐标注意力和U-Net神经网络的淡水养殖区提取. 张欣,戴佩玉,李卫国,任妮,毛星. 2023

[6]基于卷积神经网络和叶绿素荧光成像的绿豆叶斑病识别研究. 张浩淼,高尚兵,蒋东山,李洁,袁星星,陈新,刘金洋. 2024

[7]基于CNN和Transformer的绿豆干旱胁迫识别模型. 蒋东山,刘金洋,张浩淼,李士丛,罗仔秋,余骥远,李洁,陈新,袁星星,高尚兵. 2025

作者其他论文 更多>>
置顶
购物车
反馈

© 京ICP备09089781号-29 主办单位：江苏省农业科学院

学术资源： 中国农业科学院 农业专业知识服务系统 农科联盟资源共建共享平台 中国农业科技文献与信息服务平台 中国农业期刊集成服务平台