基于迁移学习的卷积神经网络玉米病害图像识别

摘要：

为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型.在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在ImageNet图像数据集训练好的卷积层迁移到本模型中.将收集到的玉米病害图像数据集按3:1的比例分为训练集与测试集.为扩充图像数据,对训练集原图进行了旋转、翻转等操作.基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力.在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95.33％.与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力.将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别.

关键词：玉米病害、迁移学习、深度学习、图像识别、卷积神经网络

所属期刊栏目：51

分类号：TP391.41;TP181(计算技术、计算机技术)

资助基金：国家重点研发计划项目;陕西省水利科技计划项目

在线出版日期：2020-04-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：230-236,253