为了提高真实条件下苹果叶片病害识别准确度和识别速度,提出了一种基于改进的卷积神经网络苹果叶部病害识别方法,该方法是在卷积神经网络VGG16的基础上进行改进完成的.首先针对5类常见苹果叶片病害图片样本集合,采用数字图像处理算法(如旋转照片角度、增强降低图像亮度和锐度、添加高斯噪声等)进行数据集增强完成原有数据集的扩充,扩充后获得26 377张苹果叶片病害图像,以增加样本多样性,提高模型的泛化能力.通过对叶片病斑特征的差异进行研究,比较了多种高效的卷积神经网络模型架构,最终选出VGG16网络模型作为基础模型,并对其进行改进,通过添加SK模块以及将全连接层改为全局平均池化,提升了模型的识别准确率以及网络稳定性,同时也加快了模型的收敛速度,提升了苹果叶片病害识别速度.试验表明,改进后的VGG16模型识别准确率高达96.17％,相对于VGG16模型提升了 3.55百分点.试验结果表明,本研究为苹果叶片病害识别提供了一种可行的高性能解决方案,可有效提升苹果叶片病害的识别准确度和速度,也为深度学习和人工智能技术在农业信息化领域的应用探索了新的途径.
万方数据
维普
