首页|基于改进残差网络的柑橘病害识别

基于改进残差网络的柑橘病害识别

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对复杂自然环境下柑橘病害图像识别准确率不高的问题,提出一种基于ResNet34深度学习模型的多类别柑橘病害图像识别方法.通过舍弃部分残差结构中的identity映射,进一步提取柑橘病害图像的低层特征,降低消极特征在低层特征的占比,得到改进后的S-ResNet模型.与ResNet34模型相比:S-ResNet模型对自然环境下柑橘病害图像的识别准确率提高了3. 9%.为提取柑橘病害图像中更具表达力的深层特征,使用 3×3 卷积核替换ResNet34首层中的7×7卷积核,得到改进后的M-ResNet模型.使用模型融合方法将S-ResNet与M-ResNet进行融合,得到融合模型F-ResNet,解决了单一模型中泛化能力弱、鲁棒性较差等问题.实验结果表明,F-ResNet对自然环境下柑橘病害图像的识别准确率达到93. 6%,可以很好地满足实际生产环境中果园病害识别需求,具有良好的应用前景.
Citrus disease recognition based on improved residual network

帖军、罗均、郑禄、莫海芳、隆娟娟

展开 >

中南民族大学 计算机科学学院 & 湖北省制造企业智能管理工程技术研究中心,武汉430074

病害识别 ResNet34模型 融合模型 卷积神经网络

湖北省技术创新专项重大项目武汉市科技计划应用基础前沿项目中国科学院-国家民委农业信息技术研究与开发联合实验室招标课题

2019ABA1012020020601012267PJW060012003

2021

10.12130/znmdzk.20210612

中南民族大学学报(自然科学版)
中南民族大学

中南民族大学学报(自然科学版)

北大核心
影响因子：0.536
ISSN：1672-4321
年,卷(期)：2021.40(6)
  • 6
  • 6