10.3969/j.issn.1000-4440.2022.01.015
基于改进DenseNet卷积神经网络的番茄叶片病害检测
针对传统的图像识别方法存在人工提取特征困难、识别耗时长和准确率低等问题,本研究以感染病害的番茄叶片和健康番茄叶片共10类图像为研究对象,提出了1种迁移学习和DenseNet卷积神经网络相结合的模型,实现了对番茄叶部病害的准确分类.首先将所有的图像数据进行预处理修改尺寸,对部分数量不均衡样本作随机变换;然后将DenseNet网络从ImageNet数据集上学习获得的先验知识应用到番茄病害图片数据集上,进而构建出基于迁移学习的深度卷积网络,经过微调训练得到番茄叶部病害识别模型.结果表明,该模型与AlexNet网络、VGG网络+迁移学习和MobileNet网络+迁移学习3种深度卷积模型相比,识别精度更高,测试准确率达到97.76%,实现了对10种番茄叶部图像的有效分类,为番茄等农作物病害的识别技术以及智慧农业的发展提供了新的思路与方法.
图像识别;番茄;病害;迁移学习;DenseNet卷积神经网络
38
TP391.4(计算技术、计算机技术)
新疆维吾尔自治区自然科学基金2019D01C079
2022-03-17(万方平台首次上网日期,不代表论文的发表时间)
共6页
129-134