《表1 不同训练集占比对测试集准确率影响》

  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

为了探寻VGG-16网络结构对不同氮含量梯度数据集的最佳训练集与验证集占比，对不同氮含量梯度的数据集进行十折交叉验证法验证，以测试集的氮含量识别准确率作为最终的评分标准，其结果如表1所示。从表1中可以看出，A组测试集准确率整体高于B组的准确率，可能是室外采集葡萄叶片由于葡萄树生长结构以及人体身高限制无法做到像甜菜[16]、小麦[17]等植株固定距离采集照片，再加上叶片不平整造成所采集图像的统一性较差、清晰度多样化所导致的。虽然训练集占比不同，A组与B组的测试集准确率变化趋势基本相同。随着训练集占训练集与验证集总量百分比的上升，准确率先上升，占比为80%时准确率最高，之后开始下降。该结果表明:当训练集占比为80%（即训练集与验证集比例为4∶1）时模型训练效果最优。