10.3969/j.issn.1000-4440.2021.05.008
一种轻量级CNN农作物病害图像识别模型
针对传统CNN(Convolutional neural network)模型存在训练参数量大而无法应用于硬件条件受限的场合这一问题,本研究提出一种轻量级CNN农作物病害识别模型,能够在保证模型识别准确率情况下简化模型结构,扩大模型的适用场景.设计1个深度卷积模块作为基本卷积单元,2个深度卷积模块和1个批归一化层组成1个残差块作为残差单元,以残差单元作为基本元素设计一个轻量级CNN农作物病害识别模型.对辣椒、番茄和马铃薯的病害图像进行分类识别,最终模型在训练集上的总识别准确率为99.33%,测试集上的总识别准确率为98.32%.相对VGG16等传统模型,在进行农作物病害识别时本模型有更高的识别准确率、更快的识别速度和更小的内存占用.
CNN;轻量级;农作物;病害;识别准确率
37
TP391.41(计算技术、计算机技术)
甘肃省自然科学基金项目;甘肃农业大学青年导师基金项目
2021-11-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
1143-1150