农作物叶片病害迁移学习分步识别方法

摘要：

农作物病害的准确识别有助于提高农作物的产量与质量.针对作物病害图像训练样本数据量较少的情况,本文采用迁移学习方法结合分步识别模型对多种农作物病害种类进行了识别.将PlantVillage公开数据集中3种农作物的10类作物叶片图像作为训练样本,利用直接识别方法分别对VGG16和ResNet的原始模型和迁移学习模型进行训练,得到模型的分类结果;提出分步识别方法,将训练样本按作物种类和病害类型归类,分别进行模型训练并构建分步识别模型.试验结果表明:利用迁移学习方法能够在原始模型的基础上将识别精度提高20％以上;在其基础上引入分步识别方法并与直接识别方法对比,能够将VGG16和ResNet模型精度再分别提高14％和8％.本文提出的迁移学习分步识别方法能够实现在小样本训练数据情况下的作物病害准确识别,可为作物病害防治提供有效的技术支持.

关键词：迁移学习、小样本学习、卷积神经网络、分步识别、作物病害

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金;中国矿业大学北京越崎青年学者;农业生态大数据分析与应用技术国家地方联合工程研究中心开放课题;中央高校基本科研业务费专项资金

在线出版日期：2021-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：34-38