基于迁移学习的农作物病虫害检测方法研究与应用

发布时间：2024-03-23 11:01

　　为了提高农作物病虫害严重程度(健康、一般、严重)的分类效果,采用迁移学习方式并结合深度学习提出了一种基于残差网络(ResNet 50)的CDCNNv2算法。通过对10类作物的3万多幅病虫害图像进行训练,获得了病虫害严重程度分类模型,其识别准确率可达91.51%。为了验证CDCNNv2模型的鲁棒性,分别与使用迁移学习的ResNet 50、Xception、VGG16、VGG19、DenseNet 121模型进行对比试验,结果表明,CDCNNv2模型比其他模型的平均精度提升了2.78～10.93个百分点具有更高的分类精度,病虫害严重程度识别的鲁棒性增强。基于该算法所训练的模型,结合Android技术开发了一款实时在线农作物病虫害等级识别APP,通过拍摄农作物叶片病虫害区域图像,能够在0.1～0.5 s之内获取识别结果(物种-病害种类-严重程度)及防治建议。

【文章页数】：7 页

【部分图文】：

图2数据增强结果Fig．2Ｒesultsofdataaugmentation

式中φ———处理后的图像γ———原始图像α———对比度β———光亮度当图像进行了随机光亮度增减之后，将图像归一化到－1～1之间，随后设置中心点随机旋转一定角度，再进行镜面翻转，最后将图像统一到229像素×229像素。数据增强的结果如图2所示。图2数据增强结果Fig．2Ｒesult....

图3CDCNNv2网络框架图Fig．3ConcisemodelstructureofCDCNNv2表对比试验结果

图3CDCNNv2网络框架图Fig．3ConcisemodelstructureofCDCNNv2表1对比试验结果Tab．1Ｒesultsofcomparativeexperiments模型试验次数平均精度/%平均收敛时间/hＲesNet501087.529.78Xception....

图4各模型精度收敛曲线Fig．4Accuracyconvergencecurvesofeachmodel

uctureofCDCNNv2表1对比试验结果Tab．1Ｒesultsofcomparativeexperiments模型试验次数平均精度/%平均收敛时间/hＲesNet501087.529.78Xception1088.487.02VGG161088.7312.20VGG191....

图7APP调用服务器简明流程Fig．7SimplifyprocessofAPPcallingserver

过Docker挂载可以实现多个模型的部署，只需要在配置文件中表明各个模型的路径与名称。4.3Android端数据发送与接收Android端的数据收发并不复杂，由以下几个步骤组成:(1)将接收到的图像进行64位编码。(2)创建一个新的ＲequestBody实例，包含信息格式、编码类....

本文编号：3935824