首页|基于迁移学习的GoogLeNet果园病虫害识别与分级

基于迁移学习的GoogLeNet果园病虫害识别与分级

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治,采用迁移学习技术与GoogLeNet模型相结合的方法,对6种果园作物的25类病虫害样本进行识别与危害程度分级研究;同时,探究不同数据集大小以及不同优化算法对模型性能的影响;基于MATLAB平台设计了一款可视化的病虫害识别与分级系统.结果 表明:1)基于迁移学习的GoogLeNet模型,对病虫害识别精度可达99.35％,危害程度分级精度可达92.78％;2)在相同训练参数下,本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38％～11.44％,并且收敛速度最快;3)本研究模型识别精度随着数据集的增大而提高;在3种优化算法中SGDM算法耗时最短且精度最高,更适合本研究模型.通过拍摄果树叶片病害区域图像,本研究设计的系统能够在0.43s左右准确识别出果树种类、病害类型以及危害等级等信息.
Recognition and grading of diseases and pests in orchard by GoogLeNet based on Transfer Learning

万军杰、祁力钧、卢中奥、周佳蕊、张豪

展开 >

中国农业大学工学院,北京100083

果树 病虫害 识别系统 迁移学习 GoogLeNet

国家重点研发计划国家重点研发计划

2017YFD07014002016YFD0200700

2021

10.11841/j.issn.1007-4333.2021.11.21

中国农业大学学报
中国农业大学

中国农业大学学报

CSTPCDCSCD北大核心
影响因子：0.971
ISSN：1009-508X
年,卷(期)：2021.26(11)
  • 19
  • 21