基于改进卷积神经网络的多种植物叶片病害识别

• 作者: 孙俊 武小红 毛罕平 汪龙 谭文军 陈勇
• 来源期刊: 农业工程学报
• 学科: 农学
• 关键词: 病害 植物 图像处理 识别 卷积神经网络 批归一化 全局池化 深度学习
• 年，卷（期）: 2017,（19）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 209-215
• 页数: 7页
• 分类号: S126
• 字数: 5932字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2017.19.027

摘要

针对训练收敛时间长,模型参数庞大的问题,该文将传统的卷积神经网络模型进行改进,提出一种批归一化与全局池化相结合的卷积神经网络识别模型.通过对卷积层的输入数据进行批归一化处理,以便加速网络收敛.进一步缩减特征图数目,并采用全局池化的方法减少特征数.通过设置不同尺寸的初始层卷积核和全局池化层类型,以及设置不同初始化类型和激活函数,得到8种改进模型,用于训练识别14种不同植物共26类病害并选出最优模型.改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90%以上的识别准确率;参数内存需求仅为2.6 MB,平均测试识别准确率达到99.56%,查全率和查准率的加权平均分数为99.41%.改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害.该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	毛罕平	江苏大学江苏省现代农业装备与技术重点实验室	235	4472	37.0	54.0
2	武小红	江苏大学电气信息工程学院	62	694	15.0	24.0
3	孙俊	江苏大学电气信息工程学院	133	1226	19.0	28.0
4	陈勇	江苏大学电气信息工程学院	22	208	8.0	14.0
5	谭文军	江苏大学电气信息工程学院	3	97	2.0	3.0
6	汪龙	江苏大学电气信息工程学院	1	71	1.0	1.0