关于数据集
数据集：https://www.muratkoklu.com/datasets/
KOKLU Murat (a)、UNLERSEN M. Fahri (b)、OZKAN Ilker Ali (a)、ASLAN M. Fatih(c)、SABANCI Kadir (c)
(a) 土耳其塞尔丘克大学计算机工程系，土耳其科尼亚
(b) 土耳其内克梅丁·埃尔巴坎大学电气与电子工程系，土耳其科尼亚
(c) 土耳其卡拉曼·穆罕默德贝大学电气电子工程系
引用请求：
Koklu, M.、Unlersen, MF、Ozkan, IA、Aslan, MF 和 Sabanci, K. (2022)。基于选定深度特征的 CNN-SVM 葡萄叶分类研究。《测量》，188，110425。Doi：https ://doi.org/10.1016/j.measurement.2021.110425
链接：https ://doi.org/10.1016/j.measurement.2021.110425
数据集：https://www.muratkoklu.com/datasets/
亮点
• 使用 MobileNetv2 CNN 模型对五类葡萄叶进行分类。
• 使用具有不同核函数的支持向量机 (SVM) 对特征进行分类。
• 实现高分类率的特征选择算法。
• 使用 CNN-SVM 立方模型进行最高精度分类。
摘要：葡萄的主要产品是鲜食或加工后的葡萄。此外，葡萄叶每年都会作为副产品收获一次。葡萄叶的种类对价格和口感都很重要。本研究利用葡萄叶图像进行基于深度学习的分类。为此，使用特殊的自发光系统拍摄了5个品种的500片葡萄叶图像。随后，通过数据增强方法将图像数量增加到2500片。分类采用先进的CNN模型MobileNetv2进行微调。第二种方法从预先训练好的MobileNetv2的Logits层中提取特征，并使用各种SVM核进行分类。第三种方法从MobileNetv2的Logits层中提取1000个特征，通过卡方检验法将其精简到250个。然后，使用所选特征通过各种SVM核进行分类。最成功的方法是从 Logits 层提取特征，并使用卡方方法进行特征约简。最成功的 SVM 核函数是立方核函数。该系统的分类成功率已确定为 97.60%。虽然分类中使用的特征数量有所减少，但特征选择提高了分类成功率。
关键词：深度学习、迁移学习、SVM、葡萄叶、叶子识别
