卷积神经网络识别"/>
088番茄病害检测使用CNN卷积神经网络识别
基于深度学习的番茄叶子病害检测的目的是通过图像识别技术,自动检测与分类番茄植株叶子上的不同病害类型,提高病害的检测效率和准确性。
常用的CNN模型有:
- LeNet-5
- AlexNet
- VGGNet
- GoogLeNet (Inception-v1)
- ResNet
- Inception-v4
- DenseNet
- Xception
- MobileNet
- EfficientNet
这些模型都是经过训练的卷积神经网络模型,可以对图像进行特征提取并进行分类。其中,部分模型还使用了一些特殊的结构和技巧,如残差连接、批标准化、深度可分离卷积等,以进一步提升模型的性能和效率。
demo仓库和视频演示找088期:
到此一游7758258的个人空间_哔哩哔哩_bilibili
效果展示图如下:
代码文件展示如下:
运行01数据集文本生成制作.py可以读取图片路径保存再txt文本中,
运行02train.py可以对txt文本中的图片路径读取并训练模型,
在02中可以选择的模型有10多种可以对比,包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。
训练的每个epoch都会显示准确率precision、召回率recall和 f1-score
训练完成后评价指标图会保存在result文件夹下。
运行03flask_server.py是使用flask生成http接口连接小程序端,通过小程序传过来的图片,调用logs文件夹下训练好的模型,识别结果返回给小程序端口。
更多推荐
088番茄病害检测使用CNN卷积神经网络识别
发布评论