《表4 疲劳检测结果：基于卷积循环神经网络的桃树叶部病害图像识别》
提示：宽带有限、当前游客访问压缩模式
本文选择CNN和Alex Net进行对比实验，实验结果如表4所示。
| 图表编号 | XD00205629500 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.12.01 |
| 作者 | 孙文杰、牟少敏、董萌萍、周子豪、李颀 |
| 绘制单位 | 山东农业大学信息科学与工程学院、山东农业大学信息科学与工程学院、山东农业大学信息科学与工程学院、山东农业大学信息科学与工程学院、山东农业大学信息科学与工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 实验结果对比：基于卷积神经网络的电力杆塔图像智能识别算法研究》2020.09.25
- 《表1 故障诊断结果：基于卷积神经网络的采煤机截割部传动系统故障识别》2020.10.01
- 《表2 两种模型检测结果：基于卷积神经网络的农作物叶片病害诊断》2021.03.15
- 《表3 CNN识别结果：基于卷积神经网络的商品图像识别》2020.12.10
- 《表4 对比实验结果：基于卷积神经网络的商品图像识别》2020.12.10
- 《表7 替换变量回归结果：基于卷积门控循环网络的居民出行模式识别》2020.12.30
- 《表1 其他叶部病害标定：双通道卷积神经网络在南瓜病害识别上的应用》2021.03.01
- 《表4 输出：基于深度卷积生成对抗网络的图像识别算法》2020.04.01
- 《表2 模型的识别精度：基于迁移学习的卷积神经网络玉米病害图像识别》2020.02.25
- 《表4 识别混淆矩阵：基于卷积神经网络的无人机图像模糊类型识别》2020.02.01
- 《表4 测试集统计情况：基于卷积神经网络的面部图像修饰检测》2019.09.30
- 《表5 疲劳检测实验结果：基于多尺度池化卷积神经网络的疲劳检测方法研究》2019.11.01
- 《表1 测试环境：基于卷积神经网络的食品图像识别》2019.09.25
- 《表1 农作物病害训练集：基于卷积神经网络的农作物病害识别》2019.06.25
- 《表1 识别算法结果对照：基于卷积神经网络的水稻纹枯病图像识别》2019.01.10
- 《表3 果实识别具体结果：自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术》2019.03.01
- 《表1 缺陷检测结果统计：基于卷积神经网络的轮胎X射线图像缺陷检测》2019.04.10
- 《表4 试验平台搭建：基于卷积神经网络和小样本的茶树病害图像识别》2019.02.28
- 《表1 水稻病害特征描述：基于深度卷积神经网络的水稻病害图像识别研究》2019.03.01
- 《表2 实验结果：基于无监督特征选择和卷积神经网络的图像识别算法》2018.10.25