多卷积神经网络模型融合的农作物病害图像识别

发布时间：2024-05-17 06:44

　　农作物病害是粮食安全的主要威胁,病害的诊断对于农业生产来说至关重要。针对单一卷积神经网络在农作物病害识别上的局限性,分类准确率不高的问题,采用多个卷积神经网络模型融合的方式,对10种农作物的27种病害及其3种病害程度的农作物叶子图片进行病害及病害程度的细粒度识别。首先选用Resnet101、RestNext50、SE-ResNet50、SE-RestNext50这4种网络模型运用迁移学习的方式,固定底层模型参数,修改顶层的全连接层进行训练,然后采用Stacking方法将模型预测结果输入第二层元学习器XGBoost,最后对单模型预测结果和Stacking融合后的结果进行对比。实验结果表明,经过模型融合后的准确率能达到87.19%,具有较高的识别准确率及较强的鲁棒性,可以作为农作物病害的早期诊断方式,并可以进一步研究将该方法应用到真实的农业生产中。

【文章页数】：6 页

【部分图文】：

图1卷积网络结构

文中所使用的基础网络模型都是深度卷积神经网络,卷积神经网络是一种多层神经网络,包括输入层、卷积层、池化层、全连接层、输出层。每层是由多个二维平面(即特征映射)组成,而每个平面由多个独立的神经元组成,通过不同的卷积核提取图像的局部特征,将该局部特征组合成更高层的全局特征,从而完成图....

图2残差学习示意图

图2是残差学习模块的示意图,残差学习模块可以作为神经网络的一部分也可作为多个部分。假设该部分卷积神经网络的输入为x,要拟合的函数映射(即输出)为H(x),可以定义另外一个残差映射为F(x)=H(x)-x,则原始的函数映射H(x)可以表示为F(x)+x。He的实验表明:优化残差映射....

图3SE-ResNet结构

为提高网络的表示能力,文中引入SE[15](squeeze-and-excitation)架构单元嵌入到现有的卷积神经网络结构中。SE的思想是在2017年由JieHu等人提出,网络结构根据损失去学习特征权重,自适应地校准通道的特征响应,通过给予有效的特征更大的权重而抑制无效或者....

图4算法流程

文中采用了Resnet101、RestNext50[20]、SE-ResNet50、SE-RestNext50这4种网络来提取图像特征,然后将其预测结果作为Stacking算法第二层元学习器XgBoost的输入,应用于农作物病害识别领域。文中流程如图4所示,输入为农作物病害图像,....

本文编号：3975532