基于卷积神经网络的农作物病害识别研究

摘要：

随着深度学习以及图像识别技术的不断发展,图像识别技术的应用越来越广,其中就包括农作物病害的识别.已有的成熟神经网络架构多数是为了识别大的数据集而设计,拥有大量参数从而导致占用大量存储空间、运行时间较长,难以在存储空间与处理器性能有限的移动设备上使用,以及在农作物病害识别研究中,部分农作物病害的样本量较少.针对上述问题,采用轻量化的卷积神经网络和较少的叶片样本,最终训练出识别精度较为理想的模型.相同精度下,轻量化模型仅为普通模型的1/10,最终训练完成的模型大小仅为1.5～4.5 MB,并使用目前应用较少的激活函数GELU替换常用的ReLU,模型收敛效果更好,提高了识别精度,最终可以达到95％.模型复杂度也远远小于普通卷积神经网络模型,极大程度的减少了内存的消耗、减少了计算量,可以很好的提高农业监测中智能装置的性能.

关键词：卷积神经网络;GhostNet;农作物病害;图像分类

所属期刊栏目：40

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家科技重大专项2016YFD0300201

在线出版日期：2021-12-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：93-99