基于迁移学习与卷积神经网络的玉米植株病害识别

• 作者: 傅思维 周佳鑫 曹丽英 赵姗 陈桂芬
• 来源期刊: 智慧农业
• 学科: 农学
• 关键词: 深度学习 卷积神经网络 迁移学习 数据增强 玉米病害识别
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 信息感知与获取
• 页码范围: 34-44
• 页数: 11页
• 分类号: S-3
• 字数: 4613字
• 语种: 中文
• DOI: 10.12133/j.smartag.2019.1.2.201812-SA007

摘要

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求.卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征.因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型.该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别.识别试验结果表明:使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害(玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病)的平均识别准确度达96.6％,和单一的卷积神经网络相比,精度提高了25.6％,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍.本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈桂芬	吉林农业大学信息技术学院	135	899	16.0	23.0
2	曹丽英	吉林农业大学信息技术学院	75	348	11.0	15.0
3	赵姗	吉林农业大学信息技术学院	5	13	3.0	3.0
4	傅思维	吉林农业大学信息技术学院	4	9	2.0	3.0
5	周佳鑫	吉林农业大学信息技术学院	2	6	1.0	2.0