国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于深度殘差網(wǎng)絡的番茄葉片病害識別方法

2019-09-10 07:22吳華瑞
關鍵詞:設施蔬菜深度學習

摘要: 傳統(tǒng)深度學習模型在用于蔬菜病害圖像識別時,存在由于網(wǎng)絡梯度退化導致的識別性能下降問題。為此,本文研究了一種基于深度殘差網(wǎng)絡模型的番茄葉片病害識別方法。該方法首先利用貝葉斯優(yōu)化算法自主學習網(wǎng)絡中難以確定的超參數(shù),降低了深度學習網(wǎng)絡的訓練難度。在此基礎上,通過在傳統(tǒng)深度神經(jīng)網(wǎng)絡中添加殘差單元,解決了由于梯度爆炸/消失造成的過深層次病害識別網(wǎng)絡模型性能下降的問題,能夠實現(xiàn)番茄葉片圖像的高維特征提取,根據(jù)該特征可進行有效病害鑒定。試驗結果表明,本研究中基于超參數(shù)自學習構建的深度殘差網(wǎng)絡模型在番茄病害公開數(shù)據(jù)集上取得了良好的識別性能,對白粉病、早疫病、晚疫病和葉霉病等4種番茄葉片常見病害的識別準確率達到95%以上。本研究可為快速準確識別番茄葉片病害提供參考。

關鍵詞: 設施蔬菜;病害智能識別;深度學習;殘差網(wǎng)絡;貝葉斯優(yōu)化

中圖分類號: TP3-0 文獻標志碼: A 文章編號: 201908-SA002

引文格式:吳華瑞. 基于深度殘差網(wǎng)絡的番茄葉片病害識別方法[J]. 智慧農(nóng)業(yè), 2019,1(4): 42-49.

1 引言

設施蔬菜病害是影響大棚蔬菜生產(chǎn)能力的重要因素,一旦作物受到感染,其生產(chǎn)力將下降20%~30%[1]。因此,為了提高蔬菜經(jīng)濟效益,需要對染病植株進行迅速、準確地判斷。傳統(tǒng)上蔬菜病害診斷主要依靠專家的現(xiàn)場鑒定或實驗室的病原鑒定,但受專業(yè)人員數(shù)量與咨詢成本所限,農(nóng)業(yè)從事者易因經(jīng)驗不足誤判作物病害類型,錯過植物病害防治有效時間,造成設施蔬菜產(chǎn)量與質量下降[2]。

視覺技術與數(shù)字產(chǎn)品的普及為設施蔬菜圖像病害識別帶來了新機遇,由計算機自動完成病害診斷,可降低農(nóng)業(yè)人員對植物保護專家的依賴,減少由于病害知識缺乏造成的誤判[3]。如張云龍等[4]將葉部病斑顏色特征與差直方圖作為分類依據(jù),利用支持向量機(Support Vector Machine,SVM)方法自動識別蘋果葉部的3種病害,識別率達96%。夏永泉等[5]引入主顏色符描述病斑顏色特征,同時結合Tamura紋理特征區(qū)分小麥的3種病害葉片與健康葉片,實驗結果優(yōu)于同等條件下的SVM?;诟叻直媛蕡D像,國外有學者[6]采用簡單線性迭代聚類方法檢測大豆葉片的顏色、形狀、紋理與梯度等視覺屬性特征,描述了植物葉片的物理特性,但該方法計算開銷過大。魏麗冉等[7]則通過圖像預處理,增強了病害部分的明顯度,使用基于核函數(shù)的支持向量機算法進行病害分類。除此之外,文獻[8-11]等研究與上述方法類似,主要通過病害閾值分割構建有效特征矩陣,然后利用不同分類器識別植物病害。但現(xiàn)實中,植物病害形狀位置多變,圖像背景復雜,人工設計的特征越來越難以準確識別規(guī)模龐大的病害圖像數(shù)據(jù)。

深度學習是目前較先進的機器學習方法,它利用具有隱藏層的人工神經(jīng)網(wǎng)絡,不依靠圖像分割與特征提取自動完成高層次的特征學習。深度學習在病害診斷方面已取得了較好的研究成果。Zhang等[12]提出一種基于改進GoogLeNet和Cifar 10網(wǎng)絡的深度學習模型用于葉片識別。宋麗娟[13]結合區(qū)分深度置信網(wǎng)絡對病斑顏色、形狀等底層特征進行高層表示,能夠在沒有充足標注數(shù)據(jù)時穩(wěn)定完成四種枸杞病害識別。王艷玲等[14]采用了AlexNet卷積神經(jīng)網(wǎng)絡遷移學習,實現(xiàn)了番茄葉片病害圖像快速準確分類。文獻[15-19]等將離散小波變換、區(qū)域生長法等特征提取技術與深度神經(jīng)網(wǎng)絡學習相結合,利用特征提取技術檢索病害特征,然后通過概率神經(jīng)網(wǎng)絡對植物疾病成功進行了分類。

基于設施蔬菜病害的海量圖像數(shù)據(jù)和深度學習模型可自動提取圖像細節(jié)特征,且相較于人工設計特征具有更好的病害識別效果[20]。但由于大多數(shù)蔬菜疾病是由真菌、細菌與病毒引起的,導致很多設施蔬菜病害的表象相似,需要構建較深的神經(jīng)網(wǎng)絡才能取得良好的病害鑒定結果。本研究針對深度學習網(wǎng)絡模型因層次過深存在的性能下降問題,提出了一種基于深度殘差神經(jīng)網(wǎng)絡的番茄葉片病害鑒定方法,將底層病害特征與高層病害特征合并運算,避免了深度神經(jīng)網(wǎng)絡的梯度消失與梯度爆炸問題。同時通過利用貝葉斯理論優(yōu)化深度殘差網(wǎng)絡超參數(shù),降低模型陷入局部最優(yōu)的概率,從而提高了以番茄葉片為代表的設施蔬菜病害圖像的識別準確度。

2 基于深度殘差網(wǎng)絡的病害圖像識別方法

在傳統(tǒng)的深度神經(jīng)網(wǎng)絡中,網(wǎng)絡深度對視覺識別精度具有重要意義。有學者[21-23]研究建立了更深層次的卷積神經(jīng)網(wǎng)絡模型,證明深度神經(jīng)網(wǎng)絡模型能夠比淺層神經(jīng)網(wǎng)絡模型更有效地近似高度復雜的函數(shù),可以捕捉自然圖像的復雜統(tǒng)計特性,有助于提高圖像識別精度。植物病害種類多樣,但許多不同病害外在病斑表現(xiàn)十分相似導致難以準確識別,因此需要構建深層次的學習網(wǎng)絡從而對其進行準確識別。但隨著深度的急劇增加,越來越多的圖像語義信息導致卷積神經(jīng)網(wǎng)絡面臨著梯度消失與梯度爆炸等問題,降低了網(wǎng)絡性能。深度殘差網(wǎng)絡則有效克服了神經(jīng)網(wǎng)絡深度較大時性能下降的問題[24,25]。

2.1 深度殘差網(wǎng)絡結構

深度卷積神經(jīng)網(wǎng)絡主要由數(shù)據(jù)輸入層、隱藏層與輸出層構成。隱藏層中包含多級神經(jīng)網(wǎng)絡,主要依靠Conv卷積層、pooling池化層與全連接層配合搭建,利用卷積特征提取器獲得輸入圖像的邊緣、紋理與隱藏的細節(jié)特征,最后通過全連接層(Fully Connected layers,F(xiàn)C)根據(jù)提取特征進行病害分類,如圖1所示。為了提高網(wǎng)絡性能,深度卷積神經(jīng)網(wǎng)絡通常都包括非線性激活函數(shù)與批量歸一化層(Batch Normalization layers,BN)。隱藏層中每層的每個神經(jīng)單元與下一層所有神經(jīng)單元相連,所有連接都有一個權值,網(wǎng)絡訓練過程中,對于每層輸出結果需要通過損失函數(shù)計算衡量分類錯誤程度,使用梯度下降更新各層權值。

通過式(1)可知,隨著網(wǎng)絡深度增加,梯度幅度會急劇減小/增大,導致淺層神經(jīng)元權重更新過慢/快,從而發(fā)生梯度消失/梯度爆炸,造成模型性能下降。因此,He和Sun[22]提出利用殘差映射優(yōu)化深度學習網(wǎng)絡,通過利用跳躍連接跳過卷積層形成殘差塊,在很大程度上解決了網(wǎng)絡模型退化問題,并大大提高了訓練效率。

基于He和Sun提出的殘差網(wǎng)絡模型,本研究構建了用于番茄葉片病害鑒定的深度殘差網(wǎng)絡,其整體框架如圖2所示。

番茄葉片病害鑒定過程為:將(寬32像素,高32像素)、通道數(shù)為3的RGB番茄葉片圖像作為輸入,在輸入層通過平移、翻轉等數(shù)據(jù)增強方法記憶訓練數(shù)據(jù)的細節(jié)特征,擴充作物病害數(shù)據(jù)集。令擴展訓練集依次通過Conv卷積層、ReLU激活函數(shù)層與BN批量歸一化層,再由多個殘差塊處理其輸出的結果,最后經(jīng)過平均池化層和全連接層,使用分類器判斷蔬菜葉片的健康狀態(tài)。該模型的具體網(wǎng)絡參數(shù)如表1所示,它由14個權重層構成,其中包含13個卷積層與一個全連接層,每個殘差塊有兩個殘差單元。

圖2左側為本研究構建的殘差單元,每個殘差單元的輸入與輸出維度相同,BN層用其平均值和方差,標準化激活函數(shù)輸入,然后進一步利用拉伸參數(shù)和偏移參數(shù)縮放批量歸一化結果,令數(shù)據(jù)在空間內(nèi)更加分散,更加均勻;激活函數(shù)則用于提取數(shù)據(jù)的復雜特征,增加各層網(wǎng)絡的非線性關系。跳躍連接則將殘差單元輸入與殘差單元內(nèi)第二個卷積的輸出批量歸一化結果相加,使原始映射函數(shù)表示為H(xk)+xk,突破了網(wǎng)絡深度增加造成的網(wǎng)絡退化問題。該深度網(wǎng)絡模型中梯度計算公式如下[27]:

深度殘差網(wǎng)絡在更新疊加層參數(shù)的同時更新直接連接的輸入數(shù)據(jù)的參數(shù),將淺層網(wǎng)絡得到的低階病害特征和深層網(wǎng)絡提取的高階病害特征進行合并運算,梯度可以直接通過恒等激活函數(shù)從后一層流到前一層,使殘差網(wǎng)絡具有比傳統(tǒng)卷積神經(jīng)網(wǎng)絡更快的收斂速度,更強的特征表達能力。

2.2 基于貝葉斯理論的超參數(shù)優(yōu)化

構建深度殘差神經(jīng)網(wǎng)絡往往首先需要確定超參數(shù),這些參數(shù)包括網(wǎng)絡深度、過擬合正則化參數(shù)與學習速率等。超參數(shù)值是影響訓練時間和分類精度的重要因素,而人工調(diào)整需要耗費大量時間。

貝葉斯優(yōu)化是一種求解未知目標函數(shù)極值的有效算法,其利用以往實驗獲得的信息對任意目標函數(shù)進行建模和最小化。貝葉斯優(yōu)化通過建立和查詢代理模型,評估復雜的實際目標函數(shù),根據(jù)擬合結果預測參數(shù)空間中最具潛力的評估點[28,29]。換句話說,貝葉斯優(yōu)化能夠在最少數(shù)量的目標函數(shù)評估下得到復雜函數(shù)最優(yōu)解。

有研究發(fā)現(xiàn)殘差網(wǎng)絡是由若干淺層網(wǎng)絡組合而成,優(yōu)化其網(wǎng)絡寬度比增加網(wǎng)絡深度更有意義[14]。因此,如式(3)所示,本研究假設為超參數(shù)空間,它包含以下關鍵參數(shù):網(wǎng)絡寬度(殘差塊1中每個卷積層的濾波器數(shù)量),初始化學習速率、隨機梯度下降動量與L2正則化強度。

在本研究中,貝葉斯優(yōu)化通過令驗證數(shù)據(jù)分類誤差最小化,確定最佳網(wǎng)絡架構和超參數(shù)值。尋找最優(yōu)超參數(shù)的目標函數(shù)可以被建模為:

其中,即為最優(yōu)超參數(shù),公式(4)的意義在于評估目標函數(shù)F的輸入得到對應輸出。貝葉斯優(yōu)化算法通過執(zhí)行一個順序搜索算法,n次迭代后,在建議的新位置處評估。根據(jù)算法已有的評估結果,利用高斯建模在給定與的基礎上得到。然后,根據(jù)似然分布計算代理函數(shù)。通過評估對優(yōu)化目標函數(shù)F的貢獻,代理函數(shù)平衡已知的優(yōu)秀點和未知點空間,進行全局搜索最小化,從而避免局部最優(yōu),保證算法快速收斂。

3 試驗結果及分析

通過提取PlantVillag公開數(shù)據(jù)集中番茄的病害葉片與健康葉片,本研究構建了番茄病害數(shù)據(jù)庫。數(shù)據(jù)集分布如表2所示。

基于所選驗證集與訓練集,分別構建了22層與35層的深度神經(jīng)網(wǎng)絡,其驗證集識別準確率如圖4所示。由圖4可看出,隨著網(wǎng)絡層數(shù)的急劇增加,驗證集中葉片病害的識別準確率反而出現(xiàn)了下降的情形。因此,研究殘差神經(jīng)網(wǎng)絡防止梯度消失等問題是必要的。

根據(jù)2.2節(jié)所述,利用貝葉斯優(yōu)化算法對網(wǎng)絡超參數(shù)進行調(diào)優(yōu),其過程如圖5所示。基于高斯過程回歸對超參數(shù)建模得到目標函數(shù)的替代概率模型,在代理模型上找到最佳超參數(shù)組合(最小預測點),將該組合用于真正目標函數(shù)(驗證集分類錯誤率)獲得最小觀測值,然后更新包含新最小觀測點的代理模型,重復上述步驟,得到最優(yōu)超參數(shù)組合。通過貝葉斯優(yōu)化,本研究確定訓練深度殘差網(wǎng)絡寬度,初始化學習速率,隨機梯度下降動量,L2正則化強度。

基于上述參數(shù),構建第2節(jié)所述的深度殘差網(wǎng)絡和傳統(tǒng)卷積神經(jīng)網(wǎng)絡對番茄葉片圖像集進行訓練分類。利用隨機梯度下降算法更新網(wǎng)絡權重,通過1360次迭代,可得到深度殘差網(wǎng)絡與傳統(tǒng)卷積神經(jīng)網(wǎng)絡對相同驗證數(shù)據(jù)集的誤差曲線。圖6中深度殘差網(wǎng)絡的曲線收斂速度更快。

表中DCNN為22層卷積神經(jīng)網(wǎng)絡。本研究模型對比傳統(tǒng)SVM與BP神經(jīng)網(wǎng)絡,識別精度有明顯提升;對比DCNN學習模型,深度殘差網(wǎng)絡模型收斂更快,同時識別準確率提高。對健康葉片與感染白粉、早疫、晚疫和葉霉的病害葉片,本研究模型的識別準確率依次是95.7%、96.7%、98.9%、96.0%、95.8%。

4 結論

本研究通過分析深度學習應用于病害鑒定的研究現(xiàn)狀,針對目前隨著網(wǎng)絡深度增加,病害識別模型存在的梯度爆炸與梯度消失問題,研究了基于深度殘差網(wǎng)絡的番茄葉片病害智能識別方法。同時,考慮到網(wǎng)絡模型參數(shù)調(diào)整的困難,本研究利用貝葉斯優(yōu)化算法確定了訓練網(wǎng)絡的最優(yōu)超參數(shù)。由試驗結果得到,該深度殘差網(wǎng)絡模型可對番茄葉片的白粉病、早疫病、晚疫病和葉梅病4種病害進行有效分類,分類準確度達到95%以上。

自然環(huán)境中,受光照與遮擋等因素影響,病害葉片圖像往往具有復雜背景,所以需要進一步研究有效的背景分割方法以提高病害識別正確率。而由于深度殘差網(wǎng)絡通過增加跳躍連接改善深度學習模型性能,網(wǎng)絡訓練時間較長,因此在實際應用中,如何優(yōu)化深度殘差網(wǎng)絡的訓練時長將是以后的研究方向之一。

參考文獻

[1] Park H, JeeSook E, Kim S H. Crops disease diagnosing using image-based deep learning mechanism[C]// IEEE ?2018 International Conference on Computing and Network Communications, 2018: 23-26.

[2] Ermayanti A, Nidia Enjelita S, Nuraini S, et al. Dempster-Shafer method for diagnose diseases on vegetable[C]// 2018 6th International Conference on Cyber and IT Service Management (CITSM), 2018.

[3] Schor N, Bechar A, Ignat T, et al. Robotic disease detection in greenhouses: combined detection of powdery mildew and tomato spotted wilt virus[J]. IEEE Robotics and Automation Letters, 2016, 1(1): 354-360.

[4] 張云龍, 袁浩, 張晴晴, 等. 基于顏色特征和差直方圖的蘋果葉部病害識別方法[J]. 江蘇農(nóng)業(yè)科學, 2017, 45(14): 171-174.

[5] 夏永泉, 王兵, 支俊, 等. 基于隨機森林方法的小麥葉片病害識別研究[J]. 圖學學報, 2018, 39(1): 57-62.

Xia Y, Wang B, Zhi J, et al. Identification of wheat leaf disease based on random forest method[J]. Journal of Graphics, 2018, 39(1): 57-62.

[6] Castelao Tetila E, Brandoli Machado B, Belete N A D S, et al. Identification of soybean foliar diseases using unmanned aerial vehicle images[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(12): 2190-2194.

[7] 魏麗冉, 岳峻, 李振波, 等. 基于核函數(shù)支持向量機的植物葉部病害多分類檢測方法[J]. 農(nóng)業(yè)機械學報, 2017, 48(S1): 166-171.

Wei L, Yue J, Li Z, et al. Multi-classification detection method of plant leaf disease based on kernel function SVM[J]. Transactions of the CSAM, 2017, 48(S1): 166-171.

[8] 蘆兵, 孫俊, 毛罕平, 等. 高光譜和圖像特征相融合的生菜病害識別[J]. 江蘇農(nóng)業(yè)學報, 2018, 34(6): 1254-1259.

Lu B, Sun J, Mao H, et al. Disease recognition of lettuce with feature fusion based on hyperspectrum and image[J]. Jiangsu Journal of Agricultural Sciences, 2018, 34(6): 1254-1259.

[9] 胡維煒, 張武, 劉連忠. 基于Variance-SFFS的小麥葉部病害圖像識別[J]. 湖南農(nóng)業(yè)大學學報(自然科學版), 2018, 44(02): 225-228.

Hu W, Zhang W, Liu L. Identification of wheat leaf diseases based on Variance-SFFS algorithm[J]. Journal of Hunan Agricultural University(Natural Sciences), 2018, 44(02): 225-228.

[10] 張芳, 李曉輝, 楊洪偉. 復雜背景下植物葉片病害的圖像特征提取與識別技術研究[J]. 遼寧大學學報(自然科學版), 2016, 43(04): 311-318.

Zhang F, Li X , Yang H. Image feature extraction and recognition of plant leaf disease in complex background[J]. Journal of Liaoning University (Natural Sciences), 2016, 43(04): 311-318.

[11] Kaur S, Pandey S, Goel S. Semi-automatic leaf disease detection and classification system for soybean culture[J]. IET Image Processing, 2018, 12(6): 1038-1048.

[12] Zhang X, Qiao Y, Meng F, et al. Identification of maize leaf diseases using improved deep convolutional neural networks[J]. IEEE Access, 2018, 6: 30370-30377.

[13] 宋麗娟. 基于區(qū)分深度置信網(wǎng)絡的病害圖像識別模型[J]. 計算機工程與應用, 2017, 53(21): 32-36, 48.

Song L. Recognition model of disease image based on discriminative deep belief networks[J]. Computer Engineering and Applications, 2017, 53(21): 32-36, 48.

[14] 王艷玲, 張宏立, 劉慶飛, 等. 基于遷移學習的番茄葉片病害圖像分類[J]. 中國農(nóng)業(yè)大學學報, 2019, 24(6): 124-130.

Wang Y, Zhang H, Liu Q, et al. Image classification of tomato leaf diseases based on transfer learning[J]. Journal of China Agricultural University, 2019, 24(6): 124-130.

[15] Khadabadi G C, Kumar A, Rajpurohit V S. Identification and classification of diseases in carrot vegetable using discrete wavelet transform[C]// International Conference on Emerging Research in Electronics. IEEE, 2016.

[16] Siddharth Singh Chouhan, KaulAjay, Uday Pratap Singh, et al. Bacterial foraging optimization based radial basis function neural network (BRBFNN) for identification and classification of plant leaf diseases: An automatic approach towards plant pathology[J]. IEEE Access, 2018, 6: 8852-8863.

[17] 陳桂芬, 趙姍, 曹麗英, 等. 基于遷移學習與卷積神經(jīng)網(wǎng)絡的玉米植株病害識別[J]. 智慧農(nóng)業(yè), 2019, 1(2): 34-44.

Chen G, Zhao S, Cao L, et al. Corn plant disease recognition based on migration learning and convolutional neural network[J]. Smart Agriculture, 2019, 1(2): 34-44.

[18] 張航, 程清, 武英潔, 等. 一種基于卷積神經(jīng)網(wǎng)絡的小麥病害識別方法[J]. 山東農(nóng)業(yè)科學, 2018, 50(3): 137-141.

Zhang H, Cheng Q, Wu Y, et al. A method of wheat disease identification based on convolutional neural network[J]. Shandong Agricultural Sciences, 2018, 50(3): 137-141.

[19] 賈建楠, 吉海彥. 基于病斑形狀和神經(jīng)網(wǎng)絡的黃瓜病害識別[J]. 農(nóng)業(yè)工程學報, 2013, 29(25): 115-121.

Jia J, Ji H. Recognition for cucumber disease based on leaf spot shape and neural network[J]. Transactions of the CSAE, 2013, 29(25): 115-121.

[20] Francis J, Anto S D D, Anoop B K. Identification of leaf diseases in pepper plants using soft computing techniques[C]// 2016 Conference on Emerging Devices and Smart Systems. IEEE, 2016.

[21] Krizhevsky A, Sutskever I, Hinton G. ImageNet classification with deep convolutional neural networks[C]// NIPS. Curran Associates Inc. 2012.

[22] He K, Sun J. Convolutional neural networks at constrained time cost[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.

[23] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015.

[24] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]// 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016.

[25] Wu S, Zhong S H, Liu Y. Steganalysis via deep residual network[C]// 2016 IEEE 22nd International Conference on Parallel and Distributed Systems (ICPADS), IEEE, 2016.

[26] 厙向陽, 韓伊娜. 基于殘差網(wǎng)絡的小型車輛目標檢測算法[J]. 計算機應用研究, 37(8):1-6.

She X, Han Y. Small vehicle target detection algorithm based on residual network[J]. Application Research of Computers, 2019, 37(8): 1-6.

[27] 郭玥秀, 楊偉, 劉琦, 等. 殘差網(wǎng)絡研究綜述[J]. 計算機應用研究, [2019-11-08].

Guo Y, Yang W, Liu Q, et al. Survey of residual network[J]. Application Research of Computers, [2019-11-08].

[28] Reagen B, Hernandez-Lobato J M, Adolf R, et al. A case for efficient accelerator design space exploration via Bayesian optimization[C]// 2017 IEEE/ACM International Symposium on Low Power Electronics and Design. ACM, 2017.

[29] 崔佳旭, 楊博. 貝葉斯優(yōu)化方法和應用綜述[J]. 軟件學報, 2018, 29(10): 3068-3090.Cui J, Yang B. Survey on Bayesian optimization Methodology and Applications[J]. Journal of Software, 2018, 29(10): 3068-3090.

猜你喜歡
設施蔬菜深度學習
設施蔬菜土傳病害綜合防控技術推廣探討
加快湖北設施蔬菜產(chǎn)業(yè)現(xiàn)代化發(fā)展的思考
設施栽培蔬菜連作障礙成因分析及其防治措施
有體驗的學習才是有意義的學習
電子商務中基于深度學習的虛假交易識別研究
MOOC與翻轉課堂融合的深度學習場域建構
大數(shù)據(jù)技術在反恐怖主義中的應用展望
深度學習算法應用于巖石圖像處理的可行性研究
基于深度卷積網(wǎng)絡的人臉年齡分析算法與實現(xiàn)
青河县| 上高县| 仁布县| 怀化市| 鄂托克前旗| 浪卡子县| 湖口县| 延安市| 临泉县| 梧州市| 安新县| 绩溪县| 弥渡县| 中超| 台中县| 金昌市| 西林县| 韶关市| 柳林县| 淳化县| 石屏县| 靖安县| 永福县| 阳信县| 前郭尔| 蒙自县| 沭阳县| 察雅县| 丽水市| 横山县| 乌兰浩特市| 宜兰县| 左权县| 宜黄县| 紫云| 太原市| 安丘市| 淅川县| 宁阳县| 鸡东县| 固阳县|