基于深度学习的烟叶等级分类及特征可视化

TS442%TS46; 为探索深度学习技术在烟叶图像上的特征提取效果,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)模型的烟叶等级分类方法,并对模型关注的烟叶特征进行了可视化分析.通过图像预处理得到高分辨率的局部烟叶图像,以弥补全局烟叶图像缩放后导致烟叶细节信息丢失;利用改进的CNN模型VGG-16和ResNet-50分别提取烟叶全局和局部图像特征;构建分类器对烟叶全局和局部图像的特征向量进行分类和结果融合;采用类别激活图(Class Activation Map,CAM)技术绘制模型关注烟叶特征的热力图.结果表明:提出的方法对6个等级的烟叶分级...

Full description

Saved in:
Bibliographic Details
Published in烟草科技 Vol. 56; no. 6; pp. 92 - 100
Main Authors 鲁梦瑶, 陈栋, 周强, 王志勇, 陈天恩, 姜舒文
Format Journal Article
LanguageChinese
Published 北京市农林科学院信息技术研究中心,北京市海淀区曙光花园中路11号 100097%北京市农林科学院信息技术研究中心,北京市海淀区曙光花园中路11号 100097 01.06.2023
农芯(南京)智慧农业研究院,南京市浦口区行知路8号南京国家农创园科创中心1022号 211800%安徽皖南烟叶有限责任公司,安徽省宣城市鳌峰中路72号 242000%农芯(南京)智慧农业研究院,南京市浦口区行知路8号南京国家农创园科创中心1022号 211800
国家农业信息化工程技术研究中心,北京市海淀区曙光花园中路11号 100097
Subjects
特征可视化
类别激活图
烟叶分级
烟叶图像
CNN模型
深度学习
Online AccessGet full text
ISSN1002-0861
DOI10.16135/j.issn1002-0861.2022.0771

Cover

More Information
Summary:TS442%TS46; 为探索深度学习技术在烟叶图像上的特征提取效果,提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)模型的烟叶等级分类方法,并对模型关注的烟叶特征进行了可视化分析.通过图像预处理得到高分辨率的局部烟叶图像,以弥补全局烟叶图像缩放后导致烟叶细节信息丢失;利用改进的CNN模型VGG-16和ResNet-50分别提取烟叶全局和局部图像特征;构建分类器对烟叶全局和局部图像的特征向量进行分类和结果融合;采用类别激活图(Class Activation Map,CAM)技术绘制模型关注烟叶特征的热力图.结果表明:提出的方法对6个等级的烟叶分级准确率达到84.71%,单张烟叶图像测试时间为17.87 ms;特征热力图显示ResNet-50模型对烟叶病斑、皱褶、主脉和纹理走势等局部特征较为敏感.该方法可为实现烟叶快速、准确分级提供支持.
ISSN:1002-0861
DOI:10.16135/j.issn1002-0861.2022.0771