基于改进Xception的槟榔分类算法

摘要

目的:降低槟榔分类对人工的需求,同时提升槟榔分类的准确度和缩小分类模型。方法:以扩充Xception的输入层作为特征提取骨干网络;在特征提取网络后加入双路压缩激励模块;使用ELU激活函数代替ReLU;使用数据增强扩充槟榔的数量,将数据集以9∶3∶1划分为训练集、验证集和测试集,用于训练改进Xception模型。结果:使用改进的Xception对测试集1100张槟榔图像分类时达到了99.182%的分类准确度,同时模型大小仅有15.7 MB。结论:改进后的模型能够满足对槟榔分类的准确度和模型大小的要求。