数据集对基于深度学习的作物病害识别有效性影响

摘要：

基于深度学习的作物病害自动识别已成为农业信息化领域新的研究热点,为探究数据集的大小和质量对基于深度学习的作物病害识别有效性的影响,研究不同数据集训练得到的模型识别效果并进行了分析.以338张玉米病害数据集为例,对其进行数据增强、移除背景和细分割划分等处理,设计5个AlexNet框架的CNN网络模型并利用不同类型的数据集进行测试,使用十倍交叉法验证识别结果.试验结果表明:使用不同数量和等级的数据训练后的模型识别准确率分别为56.80％、78.30％、80.50％、89.30％和81.00％.在获得每个网络的最终精度后,挑选出识别错误的图像进行分析,结合前人的研究结果,得出影响深度神经网络用于作物病害识别有效性的9个主要因素.数据集对基于深度学习的作物病害识别有效性的影响因素主要分为带注释的数据集大小、叶片症状代表性、协变量转移、图像背景情况、图像数据获取过程、症状分割、特征多变性、并发性病害以及症状的相似性等这9类,该试验能够为深度学习技术田间病害识别的实际应用中提供依据和指导.

关键词：深度学习、作物病害、数据集、卷积神经网络、识别效果

所属期刊栏目：42

分类号：S24;TP391(农业电气化与自动化)

资助基金：新疆维吾尔自治区研究生科研创新项目;国家级大学生创新创业训练计划项目;教育部首批新工科研究;实践项目

在线出版日期：2021-04-01（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：192-200