基于改進YOLOX＿Nano的番茄葉片病害識別研究.pdf

基于改進 YOLOX Nano 的番茄葉片病害識別研究 方曉捷 嚴李強 null 張福豪 宋沛琳 西藏大學(xué)信息科學(xué)技術(shù)學(xué)院 西藏拉薩 nullnullnullnullnullnull 摘要 近年來 番茄遭受的病害種類越來越多 這些病害對番茄產(chǎn)量和果實品質(zhì)產(chǎn)生巨大影響 及時高效識別病害并采取有效措施成為 當前番茄生產(chǎn)的迫切需求 針對現(xiàn)有模型番茄病害識別率較低以及模型較大較復(fù)雜的問題 提出一種基于改進 nullnullnullnullnullnullnullnullnullnull 的病害識 別模型 通過引入全局注意力機制以增強特征圖的全局信息捕捉能力 改進特征金字塔網(wǎng)絡(luò)中的上采樣模塊和路徑聚合網(wǎng)絡(luò)中的下采 樣模塊 以提升特征的表達能力和融合效果 試驗結(jié)果表明 該方法對番茄葉片病害識別的 nullnullnull 達到 nullnullnullnullnullnull 優(yōu)化后的模型不僅在番 茄葉片病害識別上表現(xiàn)出高準確率和快速檢測性能 而且參數(shù)量和計算量較少 便于部署于手機等移動設(shè)備 該方法可為番茄葉片病 害輕量化快速高效識別提供參考 關(guān)鍵詞 nullnullnullnullnullnullnullnullnullnull 網(wǎng)絡(luò) nullnullnull 注意力機制 番茄病害識別 中圖分類號 nullnull nullnullnullnullnullnull 文獻標識碼 null 文章編號 nullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnull doi nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull 開放科學(xué) 資源服務(wù) 標識碼 OSID esearch on Tomato Leaf Disease ecognition Based on Improved YOLOX Nano FANG Xiao jie YAN Li qiang ZHANG Fu hao et al nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnull Abstract nullnull nullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnull null nullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnull nullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnull nullnull nullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnull nullnullnullnullnullnullnull nullnull nullnullnullnullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnull null nullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnullnullnull null nullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnullnull null nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnull nullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnull nullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnull nullnull nullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnull nullnullnull nullnull nullnullnullnull nullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnull nullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnull nullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnull Key words nullnullnullnullnull null nullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnull 基金項目 nullnullnullnull 年中央引導(dǎo)地方科技發(fā)展資金項目 nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnull 西藏大學(xué)研究生 高 水 平 人 才 培 養(yǎng) 計 劃 項 目 nullnullnullnullnullnullnullnullnullnullnullnullnull 作者簡介 方曉捷 nullnullnullnull 女 安徽滁州人 碩士研究生 研究方向 農(nóng)作物 圖像識別 null 通信作者 教授 碩士 從事智能控制研究 收稿日期 nullnullnullnullnullnullnullnullnullnull 修回日期 nullnullnullnullnullnullnullnullnullnull 當前 農(nóng)作物病害是全球農(nóng)業(yè)生產(chǎn)中的一大挑戰(zhàn) 尤其 是在我國農(nóng)業(yè)種植結(jié)構(gòu)日益復(fù)雜的背景下 病害問題愈發(fā)突 出 嚴重影響了農(nóng)作物產(chǎn)量和品質(zhì) 番茄作為我國重要的傳 統(tǒng)作物 其種植面積和產(chǎn)量均居世界前列 近年來 隨著氣 候變化和農(nóng)業(yè)集約化的發(fā)展 番茄病害的種類和發(fā)生頻率顯 著增加 常見的病害包括早疫病 黃化曲葉病 褐斑病 葉霉 病等 這些病害在葉片中表現(xiàn)出不同的癥狀 嚴重時會顯著 降低番茄產(chǎn)量和果實質(zhì)量 給農(nóng)戶帶來巨大經(jīng)濟損失 null 識 別并防治這些病癥對于確保番茄的健康生長至關(guān)重要 傳 統(tǒng)的病害識別方法依賴于農(nóng)戶的經(jīng)驗和常規(guī)的農(nóng)藥防治 效 率低下且容易導(dǎo)致誤判 基于深度學(xué)習(xí)的病害識別基于人 工智能的應(yīng)用 能夠及時識別病害并采取有效防治措施 不 僅能防止病害擴散 減少作物損失 還能提高農(nóng)業(yè)生產(chǎn)效率 同時避免過量使用農(nóng)藥 減輕對環(huán)境和生態(tài)系統(tǒng)的壓力 促 進農(nóng)業(yè)可持續(xù)發(fā)展 null 因此 采用新技術(shù)提高番茄病害識別 的精度和速度成為當前農(nóng)業(yè)生產(chǎn)的迫切需求 隨著深度學(xué)習(xí)技術(shù)的發(fā)展和計算機圖像處理能力的提 升 計算機視覺技術(shù)在農(nóng)作物病害識別領(lǐng)域的應(yīng)用取得了顯 著成果 例如 nullnullnullnullnullnullnullnullnull 等 null 采用 nullnullnullnullnullnullnull nullnullnullnull 模型訓(xùn)練 番茄圖 像 通 過 顏 色 識 別 番 茄 成 熟 度 平均精確度達到 nullnullnullnullnull 趙越等 null 研究顯示 nullnullnullnullnullnullnull nullnullnullnull 與 nullnullnullnullnull 結(jié)合的 方式在馬鈴薯葉片病害識別中表現(xiàn)優(yōu)異 檢測精度高達 nullnullnullnullnull 遠超 nullnullnullnullnullnull 和 nullnullnullnullnullnull 劉闐宇 null 在 nullnullnullnullnullnullnull nullnullnullnull 的基礎(chǔ)上改進區(qū)域建議網(wǎng)絡(luò) 提高建議區(qū)域質(zhì)量 使多姿態(tài) 葡萄葉片的檢測精度得以提升 李 玉 芳 null 通 過 簡 化 nullnullnullnullnullnullnullnullnull 的 nullnullnullnullnullnullnullnullnull 模塊 獲得了在農(nóng)作物病害 null 分類中 達到 nullnullnullnullnull精度的分類網(wǎng)絡(luò) 廖露等 null 結(jié)合 nullnullnullnullnull 和遷移 學(xué)習(xí)模型 解決傳統(tǒng)水稻病害分類方法的效率和準確度問 題 正確率超過 nullnullnull nullnullnullnullnull 等 null 使用 nullnullnullnullnullnull 識別 nullnull 個品 種的植物葉片圖像 準確率高達 nullnullnullnullnullnull nullnullnullnullnullnullnullnull 等 null 提 出 nullnullnullnullnullnull nullnullnullnullnull 模型 用于高效檢測番茄 草莓等農(nóng)作物的病 害 nullnullnull 等 nullnull 通過改進 nullnullnullnullnullnullnullnullnullnullnull 和 nullnullnullnullnullnull 模型 實現(xiàn) 了對番茄灰斑病的高效檢測 公徐路等 nullnull 基于 nullnullnullnullnullnullnull 模 型 通過輕量化網(wǎng)絡(luò)和注意力模塊 提高了蘋果葉片小目標 病害的檢測精度 馬超偉等 nullnull 提出使用改進的 nullnullnullnullnullnull 模 型 結(jié)合 nullnull nullnullnullnullnullnull 和深度可分離卷積 優(yōu)化了小麥病害的 檢測性能 上述深度學(xué)習(xí)技術(shù)在提高檢測準確性的同時 也在努力 減少內(nèi)存占用和參數(shù)數(shù)量 以實現(xiàn)高準確度識別 快速檢測 并便于在移動設(shè)備上部署 盡管檢測精度有所提高 但隨著 模型參數(shù)的增加 模型的復(fù)雜度也隨之增加 導(dǎo)致更多的浮 點運算 這可能會增加延遲 從而影響實時檢測的性能 在 此背景下 人工智能公司曠視科技在 nullnullnullnull 年提出了 nullnullnullnullnull 安徽農(nóng)業(yè)科學(xué) nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnull null nullnullnullnullnullnullnull 檢模型 nullnullnullnullnullnullnullnullnullnull 作為 nullnullnullnullnull 系列中參數(shù)量最精簡的 模型 因其具有較少的參數(shù) 快速的浮點運算能力 低延遲 檢測精度較高以及便于在移動設(shè)備上部署等優(yōu)勢 所以受到 了業(yè)界的廣泛關(guān)注 該研究旨在對 nullnullnullnullnullnullnullnullnullnull 的基礎(chǔ)架 構(gòu)進行深入優(yōu)化 目標是在不顯著增加模型的內(nèi)存和計算參 數(shù)的情 況 下 引 入 全 局 注 意 力 機 制 提出一種基于改進 nullnullnullnullnullnullnullnullnullnull 的番茄葉片病害識別模型 1 試驗數(shù)據(jù) 1 1 數(shù)據(jù)獲取 試驗所需的所有數(shù)據(jù)來自公開數(shù)據(jù)集 nullnullnullnullnullnullnullnullnullnullnullnull網(wǎng)站 該網(wǎng)站涵蓋番茄作物的 null 種葉片病害 共 nullnull nullnullnull 張 分別是瘡痂病 null nullnullnull 張 早疫病 null nullnullnull 張 晚疫病 null nullnullnull張 葉霉病 nullnullnull 張 斑枯病 null nullnullnull 張 褐斑病 null nullnullnull 張 黃 化曲葉病 null nullnullnull 張 花葉病 nullnullnull 張 其中每張照片的像素均為 nullnullnullnullnullnullnull 1 2 數(shù)據(jù)處理 利用 nullnullnullnullnullnullnullnull 軟件對番茄葉片上的病斑進 行標注 并將有關(guān)病斑的類別和位置等信息存儲于相應(yīng)的 nullnullnull 文件中 將試驗數(shù)據(jù)根據(jù)類別按 nullnull nullnull null的比例劃分為訓(xùn) 練集 驗證集和測試集 由于某些類別數(shù)據(jù)不均衡 采取數(shù) 據(jù)增強的方法來擴充早疫病 葉霉病 花葉病訓(xùn)練集 具體包 括水平翻轉(zhuǎn) 垂直翻轉(zhuǎn)和圖像旋轉(zhuǎn) 經(jīng)過增強處理后 訓(xùn)練 集的圖片數(shù)量從 nullnull nullnullnull 張增加到 nullnull nullnullnull 張 每種番茄葉片 病害的圖片數(shù)量詳表 null 表 1 番茄葉片病害數(shù)據(jù)集 Table 1 Tomato leaf disease dataset 序號 nullnullnull 病害種類 nullnullnullnullnull nullnull nullnullnullnullnullnullnullnull 圖片數(shù)量 nullnullnullnullnullnull nullnull nullnullnullnullnullnull 訓(xùn)練集 nullnullnullnullnullnullnullnull nullnullnull 增強后的訓(xùn)練集 nullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnull 驗證集 nullnullnullnullnullnullnullnullnullnull nullnullnull 測試集 nullnullnullnull nullnullnull null 瘡痂病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 早疫病 null nullnullnull nullnullnull null nullnullnull nullnullnull nullnullnull null 晚疫病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 葉霉病 nullnullnull nullnullnull null nullnullnull nullnull nullnull null 斑枯病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 褐斑病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 黃化曲葉病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 花葉病 nullnullnull nullnullnull null nullnullnull nullnull nullnull 總計 nullnullnullnullnull nullnull nullnullnull nullnull nullnullnull nullnull nullnullnull null nullnullnull null nullnullnull 2 番茄葉片病害智能檢測模型 2 1 YOLOX Nano 網(wǎng)絡(luò) nullnullnullnullnullnullnullnullnullnull 是 nullnullnullnull 系列最輕 量化的版本 相比傳統(tǒng)的目標檢測模型 nullnullnullnullnullnullnullnullnullnull 在檢 測速度和模型體積方面表現(xiàn)更為出色 更適合于移動端和嵌 入式設(shè)備的部署 nullnull nullnullnullnullnullnullnullnullnullnull 的整體結(jié)構(gòu)可以分為 null 個主 要 部 分 分 別 為 nullnullnullnullnullnullnullnullnullnull 主 干 提 取 網(wǎng) 絡(luò) 這 是 nullnullnullnullnullnullnullnullnullnull 的骨干網(wǎng)絡(luò) 負責(zé)從輸入圖像中提取高層次的 特征表示 使用 nullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnull 結(jié)構(gòu) 以提 高計算效率和特征學(xué)習(xí)能力 特征金字塔網(wǎng)絡(luò) nullnullnull 通過 在不同網(wǎng)絡(luò)層次上融合和提取特征 以確保模型能夠檢測多尺 度的目標 路徑聚合網(wǎng)絡(luò) nullnullnull 進一步優(yōu)化了特征的傳播和 融合 確保在不同層次上的特征信息能夠充分交互和利用 以 增強檢測的準確性和魯棒性 nullnullnullnullnullnullnullnull 輸出層 是 nullnullnullnullnullnull nullnullnullnull 的檢測頭部分 使用 nullnullnullnullnullnullnullnullnullnullnull 的檢測方法 它負責(zé)從 特征圖中預(yù)測目標的位置 類別和置信度 是整個目標檢測過 程的關(guān)鍵組成部分 圖 null 是 nullnullnullnullnullnullnullnullnullnull 的結(jié)構(gòu)圖 2 2 全局注意力機制 鑒于 nullnullnullnullnullnullnullnullnullnull 網(wǎng)絡(luò)結(jié)構(gòu)的簡 化 未能充分捕捉特征向量之間的關(guān)聯(lián) 導(dǎo)致對相似且難以 區(qū)分的目標預(yù)測效果不佳 同時所使用的數(shù)據(jù)集中番茄葉片 病害特征確實存在相似性問題 為此 該研究在 nullnullnullnullnullnull nullnullnullnull 模型中引入全局注意力模塊 旨在幫助網(wǎng)絡(luò)更有效地 聚焦于重要的特征信息 從而提升對關(guān)鍵目標的識別能力 全局注意力機制 nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnull 通過 優(yōu)化信息流和增強模型對全局特征的交互能力來實現(xiàn)提升 深度神經(jīng)網(wǎng)絡(luò)的性能 這種機制有助于降低信息的分散性 并提升模型在全局維度上的特征交互 通過融入全局注意 力機制 模型能夠更加精準地識別圖像中的關(guān)鍵信息 進而 在背景復(fù)雜和光線變化的條件下 提高病害識別的準確性 nullnullnull 注意力機制由通道子注意力模塊 null null 和空間子注意力 模塊 null null 構(gòu)成 通道子注意力模塊使用三維排列在 null 個不同 維度上來保留信息 然后利用 null 個 null 層的多層感知機 nullnullnull 來增強跨維度的空間信息交互 從而提高特征表示的能力 空間子注意力模塊關(guān)注空間信息 通過使用 null 個卷積層進行 空間信息的融合 充分學(xué)習(xí)空間特征 nullnull nullnullnull 注意力機制 原理如圖 null 所示 在通道子注意模塊中 中間狀態(tài)的定義為公式 null F null nullM null F null nullF null null 式中 M c 表示通道注意力圖 null表示級聯(lián) 在空間子注意模塊中 中間狀態(tài)的定義為公式 null F null nullM null F null nullF null null 式中 M s 表示空間注意力圖 null表示級聯(lián) 2 3 改進的 YOLOX Nano 網(wǎng)絡(luò) 該研究在 nullnullnullnullnullnullnullnullnullnull 網(wǎng)絡(luò)的基礎(chǔ)上引入 nullnullnull 注意力模塊 對輸入的特征層進行 全局處理 通過對全局上下文建模 對不同通道的特征圖進 行權(quán)重的重新分配 增強網(wǎng)絡(luò)結(jié)構(gòu)深層的特征提取 讓網(wǎng)絡(luò) 聚焦于關(guān)鍵特征 忽視非重點特征 既優(yōu)化了網(wǎng)絡(luò)的學(xué)習(xí)能 力 又提高了特征的重要性和區(qū)分度 nullnull 在 nullnullnull 和 nullnullnull 網(wǎng)絡(luò)中對特征進行上采樣和下采樣 主 要是為了在不同的特征層級中進行信息融合和尺度適配 通過上采樣可以將低分辨率的特征圖擴展到更高的分辨率 以便與來自其他層級的特征圖進行融合 而下采樣則有助于 從較高分辨率的特征圖中提取更豐富的語義信息 并減少整 nullnullnullnullnull 卷 null 期 方曉捷等 基于改進 nullnullnullnullnullnullnullnullnullnull 的番茄葉片病害識別研究 圖 1 YOLOX Nano 網(wǎng)絡(luò)結(jié)構(gòu) Fig 1 YOLOX Nano network structure diagram 圖 2 GAM 注意力機制原理 Fig 2 Schematic diagram of GAM attention mechanism 體的計算負擔 在上述過程中 可能會丟失一些重要的細節(jié) 信息 該研究通過在上采樣前加入全局注意力機制 可以讓 網(wǎng)絡(luò)在恢復(fù)高分辨率特征圖時更好地利用全局上下文信息 從而保留更多有用的細節(jié)信息 通過在下采樣前加入全局注 意力機制 可以幫助網(wǎng)絡(luò)更好地整合全局信息 選擇性地保 留那些對最終任務(wù)有重要影響的特征 從而提升下采樣過程 中的信息保留和特征表達能力 在上采樣和下采樣前引入 全局注意力機制 能夠在這些關(guān)鍵特征處理階段為網(wǎng)絡(luò)提供 nullnullnull 安徽農(nóng)業(yè)科學(xué) nullnullnullnull 年 全局上下文信息 這有助于網(wǎng)絡(luò)更好地保留和增強重要特 征 減少信息丟失 并優(yōu)化特征融合過程 通過這種方式 網(wǎng) 絡(luò)的特征表達能力得到提升 進而提升最終的任務(wù)性能 nullnull 圖 null 是改進后的 nullnullnullnullnullnullnullnullnullnullnullnullnullnull 網(wǎng)絡(luò)結(jié)構(gòu)圖 圖 3 YOLOX Nano GAM 網(wǎng)絡(luò)結(jié)構(gòu) Fig 3 YOLOX Nano GAM network structure diagram 3 試驗與結(jié)果分析 3 1 試驗環(huán)境與參數(shù)設(shè)定 該研究所有試驗均基于 nullnullnullnull nullnullnullnull 操作系統(tǒng) nullnullnullnullnullnullnull nullnullnullnullnullnull 為深度學(xué)習(xí)框架 開發(fā)語言為 nullnullnullnullnullnull nullnullnull 運算平臺 nullnullnullnull nullnullnullnull nullnullnull 為 nullnullnullnull nullnullnull nullnullnullnullnull null nullnullnullnull nullnull nullnullnullnullnullnullnullnullnull 顯卡使用 nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnull 顯存 nullnull null 訓(xùn)練超參數(shù)設(shè)置具體見表 null 其中迭代次數(shù) nullnullnullnullnullnull 指 的是模型訓(xùn)練時整個訓(xùn)練數(shù)據(jù)集被模型循環(huán)遍歷的次數(shù) 迭 代次數(shù)越多 模型對訓(xùn)練數(shù)據(jù)的擬合程度可能會提高 但同 時也可能會導(dǎo)致過擬合的問題 nullnull 批大小 nullnullnullnullnull nullnullnullnull 指的 是在每次迭代訓(xùn)練中同時輸入到模型中的樣本數(shù)量 較大的 批大小可能會導(dǎo)致更快的訓(xùn)練速度 但也可能會增加內(nèi)存需 求 并且可能會導(dǎo)致模型在訓(xùn)練過程中陷入局部最優(yōu)解 較 小的批大小則可能會增加訓(xùn)練時間 但能夠更頻繁地更新模 型參數(shù) nullnull 因此 選擇合適的批大小時平衡訓(xùn)練效率和資源 占用的關(guān)鍵 動量 nullnullnullnullnullnullnullnull 主要用于加速模型的收斂速度 表 2 網(wǎng)絡(luò)訓(xùn)練超參數(shù)設(shè)置 Table 2 Network training hyperparameter setting 序號 nullnullnull 參數(shù)名稱 nullnullnullnullnullnullnullnullnull 參數(shù)值 nullnullnullnullnullnullnullnullnull nullnullnullnullnull null nullnullnullnullnullnull nullnullnull null nullnullnullnullnullnullnullnullnull null null 動量 nullnullnullnullnullnullnullnull nullnullnull null 權(quán)重衰減參數(shù) nullnullnullnullnull null null 初始學(xué)習(xí)率 nullnull nullnullnullnullnull null 并減少在參數(shù)空間中震蕩的情況 權(quán)重衰減參數(shù)指的是通 過在模型的損失函數(shù)中增加一個懲罰項 來限制模型的復(fù)雜 度 防止過擬合 nullnull 學(xué)習(xí)率用于控制每次更新的步長和幅 度 學(xué)習(xí)率過大可能導(dǎo)致模型在更新時跳過最優(yōu)點 過小會 使模型的收斂速度變慢 選擇合適的學(xué)習(xí)率能夠幫助模型更 快得到最優(yōu)解 nullnull 該試驗使用隨機梯度下降法 nullnullnull 進行 學(xué)習(xí)和更新網(wǎng)絡(luò)參數(shù) 3 2 評價指標 針對該研究 選用平均精度 nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnull 各 類 別 nullnull 的 平 均 值 nullnullnullnull nul