跳转到主要内容
认证机构:IGI全球平台(112.34.110.29)
登录
注册
语言:
英语
欢迎使用InfoCi平台
IGI全球平台
IGI全球平台
无法进行身份验证。
IP:112.34.110.29
数据库搜索
数据库搜索
基本搜索
高级搜索
专家搜索
保存的搜索
索策略
研究工具
研究工具
帮助
用户指南
咨询委员会
用户资源
用户资源
针对研究人员
对于作者
对于图书馆员
参考中心
1
指数
该标题如下所示:
关闭
参考中心
该研究被引用于:
第章
基于深度机器学习算法的英语语音识别
创新计算第2卷-未来互联网的新兴主题
10.1007/978-981-99-2287-1_28
关闭
最近搜索的热门结果
关闭
基于深度学习的植物病虫害图像识别研究
王克峰、黄雪华
源标题:
国际认知信息学与自然智能杂志(IJCINI)
15(4)
版权:
© 2021
|
体积:
15
|
问题:
4
|
页:
21
国际标准编号:
1557-3958
|
EISSN公司:
1557-3966
|
EISBN13:
9781799859857
|
内政部:
10.4018/IJCINI.295810
引用文章
引用文章
MLA公司
冯、王珂和黄雪华。
“基于深度学习的植物病虫害图像识别研究”
IJCINI公司
第15卷,第4期,2021年:第1-21页。
http://doi.org/10.4018/IJCINI.295810
亚太地区
Feng,W.K.和薛华,H.(2021)。
基于深度学习的植物病虫害图像识别研究。
国际认知信息学与自然智能杂志(IJCINI),15
(4), 1-21.
http://doi.org/10.4018/IJCINI.295810
芝加哥
冯、王珂和黄雪华。
“基于深度学习的植物病虫害图像识别研究”
国际认知信息学与自然智能杂志(IJCINI)
第15页,第4页:1-21。
http://doi.org/10.4018/IJCINI.295810
导出参考
最喜欢的
完整发布下载
查看全文HTML
查看全文PDF
摘要
深度学习在语音识别、视觉识别等领域受到越来越多的关注。
在图像处理领域,使用深度学习方法可以获得较高的识别率。
本文采用卷积神经网络作为深度学习的基本模型。
分析了该模型的不足,并将DBN用于病虫害的图像识别。
在实验中,首先,我们选取了10种病虫害叶片和50000种正常叶片,分别用于算法性能的比较。
在病虫害种类的判断中,本研究提出的算法能够最大限度地识别各种病虫害,但相应的软件(openCV、Access)识别精度会随着病虫害类型的增加而逐渐降低。
在本研究中,提出的病虫害识别算法保持在45%左右。
如果出现与翻译网站中包含的信息的准确性有关的任何问题,
请参阅网站的英文版本,即官方版本。
访问
www.igi-global.com/gateway/terms-and-conditions网站/
了解更多信息。