基于Res-Inception的农作物病虫害识别技术

扫码查看

原文链接

万方数据
维普

中文摘要：针对现有视觉识别技术对于农作物病虫害识别存在实际农业生产中识别效果不佳的问题,研究提出了一种结合ResNet和Inception 2种模型优点的新构架Res-Inception块.Res-Inception块中采取了 ResNet中的残差结构使得模型可以有效应对深度过深造成的过拟合和模型退化的问题;Res-Inception块中的卷积层采用Inception模型中的并行联结策略,将传统的3×3卷积核由并行的1×3、3×1卷积核代替,在简化模型参数量的同时使得模型获得了更强的多尺度特征提取能力;最后通过迁移学习使模型拥有高效的学习能力.在训练过程中将公开数据集PlantVillage中的多种作物病虫害作为预训练样本,通过迁移学习后对PlantVillage中6种番茄病虫害图像进行识别,模型对于训练集中病虫害的检测准确率达到99.1％,验证集的检测准确率达到98.9％,平均F1分数达到98.82％.通过与VGG-16、ResNet34、ResNet50等检测模型在PlantVillage数据集中的6种番茄病虫害识别测试中,本模型的检测准确率远高于这些模型;并且通过对比采用迁移学习前后的模型检测能力,验证了本研究提出的模型可以有效解决模型过拟合问题.本研究提出的Res-Inception块在有效解决了现有模型过拟合及模型退化问题的同时提高了模型的实际检测效果,该模块可为农业生产中病虫害识别模型的轻量化提供新思路,助力模型在实际农业生产中的应用.

作者：

王洪波、杨永政、谢志成、郁志宏、王春光

展开 >

作者单位：

内蒙古农业大学机电工程学院,内蒙古呼和浩特 010018

关键词：

农作物病虫害迁移学习 ResNet Inception 图像识别

出版年：

2024

DOI：

10.15889/j.issn.1002-1302.2024.20.022

江苏农业科学

江苏省农业科学院

江苏农业科学

CSTPCD北大核心

影响因子：0.732

ISSN：1002-1302

年,卷(期)：2024.52(20)