10.11975/j.issn.1002-6819.2019.13.018
基于改进Multi-Scale AlexNet的番茄叶部病害图像识别
番茄同种病害在不同发病阶段表征差异明显,不同病害又表现出一定的相似性,传统模式识别方法不能体现病害病理表征的动态变化,实用性较差.针对该问题,基于卷积神经网络提出一种适用于移动平台的多尺度识别模型,并基于此模型开发了面向农业生产人员的番茄叶部病害图像识别系统.该文详细描述了AlexNet的结构,分析其不足,结合番茄病害叶片图像特点,去除局部响应归一化层、修改全连接层、设置不同尺度卷积核提取特征,设计了基于AlexNet的多感受野识别模型,并基于Android实现了使用此模型的番茄叶部病害图像识别系统.Multi-ScaleAlexNet模型运行所耗内存为29.9MB,比原始AlexNet的内存需求652MB降低了95.4%,该模型对番茄叶部病害及每种病害早中晚期的平均识别准确率达到92.7%,基于此模型的Andriod端识别系统在田间的识别率达到89.2%,能够满足生产实践中移动平台下的病害图像识别需求.研究结果可为基于卷积神经网络的作物病害图像识别提供参考,为作物病害的自动化识别和工程化应用参考.
图像处理、病害、图像识别、算法、卷积神经网络、番茄病害、多尺度
35
S511(禾谷类作物)
中央高校基本业务费项目KYZ201547;国家自然科学基金项目61602248;江苏省自然科学青年基金项目BK20160741
2019-08-28(万方平台首次上网日期,不代表论文的发表时间)
共8页
162-169