基于改进DenseNet的茶叶病害小样本识别方法

摘要：

针对茶叶病害识别的传统方法费工费时,同时由于茶叶病害样本小且分布不均导致传统卷积神经网络不能准确快速识别的问题,提出一种基于迁移学习的SE-DenseNet-FL茶叶病害识别方法.SE-DenseNet-FL以DenseNet模型为基础,首先在DenseNet网络结构中融入SENet(Squeeze-and-Excitation Networks)模块,以加强重要特征传播实现特征重标定;其次引入Focal Loss函数替换原DenseNet中的损失函数,使模型在训练时专注于难分类的样本,以缓解样本分布不均给模型带来的性能影响;最后利用PlantVillage数据集预训练取得预训练模型,通过迁移学习在预训练模型上使用自建茶叶病害数据集进行参数微调,以缓解样本数据过少带来的过拟合影响.通过与原模型DenseNet以及其他经典分类模型(AlexNet、VGG16、ResNet101)进行试验对比,结果表明基于迁移学习的SE-DenseNet-FL在小样本及样本分布不均情景下对茶叶病害的识别准确率达到92.66％.该模型具有较高的识别准确率与较强的鲁棒性,可为茶叶病害智能诊断提供参考.

关键词：茶叶、病害、迁移学习、图像识别、DenseNet

所属期刊栏目：38

分类号：TP391.4(计算技术、计算机技术)

资助基金：湖北省技术创新专项重大项目;湖北省科技重大专项;武汉市科技计划应用基础前沿项目

在线出版日期：2022-08-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：182-190