基于深度卷积神经网络的农作物病害识别

发布时间：2024-04-25 05:17

　　针对传统图像处理在农作物病害上应用存在的手工设计特征复杂且低效等问题,研究深度学习算法在农作物病害识别上的表现。农作物病害图片数据集包含40 772张图片,图片包含10种作物品种(苹果、番茄、樱桃、草莓等)的健康样本和26种病害样本,其中23种根据病害程度分为一般、严重两类,共计59种分类样本。采用当今深度卷积神经网络中比较流行的模型ResNet-50以及InceptionV3、MobileNetV2等为基础结构对数据集进行训练与识别。之后从模型结构与训练标签优化等方面对模型进行改进,根据实验数据,模型表现最好的Top-1准确率达到88.10%,Top-5准确率高达99.21%。

【文章页数】：6 页

【部分图文】：

图1.11传统机器学习分类方法和深度学习分类方法对比

峁够??荩?钪战?涫淙胫练掷嗥鹘?行训练，得到最终的分类模型。在这种方法中分类的准确率取决人工设计的特征的有效性，需要提取的特征数量与分类对象的复杂程度成正比，而特征数量越多，越容易出现冗余的干扰特征。这就会导致即使耗费时间和计算成本但却反而有可能对分类结果产生负面影响。受限于于....

图2典型ResNet-50的体系结构

典型ResNet-50网络如图2所示,从输入开始,包含7x7的卷积核,通道64,步幅2,与3x3最大池化层,步幅2,后续包含四个大的模块,而第四个模块中含有一个下采样块与两个残差块,而下采样块中包含两条路径,其中左边的路径中含有三个卷积核,分别为1x1,3x3,1x1,其中第一个....

图3改进的ResNet-50结构

在本文中,对模型ResNet-50进行了两个改动,改动后的网络结构如图3所示。图3中ResNet-A中将第一个1x1卷积核的步幅改为1,将第二个3x3卷积核的步幅改为2。之所以做出这样的改进,是因为当用1x1卷积核步幅为2进行卷积操作时会丢失大概四分之三的特征参数,而将3x3卷积....

图1数据集部分病害图片

文中数据来源为AIChallenger(https://challenger.ai),数据集有40772张图片,其中训练集大约占70%,验证集大约占15%,测试集大约占15%。本次数据的训练集与验证集包含有10种作物(苹果、番茄、樱桃、草莓等)的健康样本和26种病害样本,....

本文编号：3964063