首页|基于迁移学习的卷积神经网络玉米病害图像识别

基于迁移学习的卷积神经网络玉米病害图像识别

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型.在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在ImageNet图像数据集训练好的卷积层迁移到本模型中.将收集到的玉米病害图像数据集按3:1的比例分为训练集与测试集.为扩充图像数据,对训练集原图进行了旋转、翻转等操作.基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力.在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95.33％.与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力.将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别.
Recognition of Corn Leaf Spot and Rust Based on Transfer Learning with Convolutional Neural Network

许景辉、邵明烨、王一琛、韩文霆

展开 >

西北农林科技大学机械与电子工程学院,陕西杨凌712100

西北农林科技大学旱区农业水土工程教育部重点实验室,陕西杨凌712100

西北农林科技大学中国旱区节水农业研究院,陕西杨凌712100

玉米病害 迁移学习 深度学习 图像识别 卷积神经网络

国家重点研发计划项目陕西省水利科技计划项目

2017YFC04032032014slkj-18

2020

农业机械学报
中国农业机械学会 中国农业机械化科学研究院

农业机械学报

CSTPCDCSCD北大核心EI
影响因子：1.904
ISSN：1000-1298
年,卷(期)：2020.51(2)
  • 110
  • 18