《表2 不同网络构架对模型性能的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络的葡萄叶片氮含量识别方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过对VGG-16全连接层进行网络结构的调整，测试集的准确率变化如表2所示。由表2可以看出，通过方案（1）调整方式对全连接层进行不同程度的约简，A组与B组测试集的平均准确率基本没有太大变化。该结果表明:对于本文葡萄叶片氮含量识别的研究进行全连接层不同程度约简对模型准确率基本不产生影响，可以在训练过程中去除参数量占比较大的全连接层Fc6和Fc7以减少网络的参数量；通过方案（2）调整方式采用全局平均池化层，A组与B组不同氮含量梯度的识别模型参数量均大量减少，且准确率得到了一定的提升。