《表5 不同模型的疾病分类准确度》
为了应对训练样本数量受限问题,我们将2014年ILS-VRC竞赛获得优胜的卷积神经网络模型VGG-16迁移到了花卉疾病识别任务上,作为特征提取器,所得特征输入原多输入模型.同时为了验证模型的效果,我们与SVM、HOG-SVM和SIFT-Kmeans-SVM几类传统分类方法进行了对照实验,使用了软件包libsvm[17]和OpenCV2.结果见表5和图5.其中,HOG-SVM识别效果最低,总体准确率仅有51.4%.HOG算子计算图像局部区域的梯度直方图构成特征,对物体的形变保持高度不变性,细小的变化不会影响检测结果,能够很好的提取出大型物体的轮廓,因此适用于车辆检测、行人检测等.推测花卉叶部病斑小而密集、变化细微是HOG-SVM模型对其辨识度低的主要原因.
图表编号 | XD0079872600 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.01 |
作者 | 林君宇、李奕萱、郑聪尉、罗雯波、许蕾 |
绘制单位 | 南京大学计算机科学与技术系、南京大学计算机科学与技术系、南京大学计算机科学与技术系、南京大学计算机科学与技术系、南京大学计算机科学与技术系 |
更多格式 | 高清、无水印(增值服务) |