10.13733/j.jcam.issn.2095-5553.2021.08.24
基于Xception-CEMs神经网络的植物病害识别
随着深度学习技术与农业的密切融合,越来越多的研究将深度学习技术用于农业病虫害检测,提高农产品产量和质量.本文提出一种新颖的基于Xception模型的植物病害识别方法.了解到植物病害图像会受到不确定环境因素的干扰而减小图像信息.在Xception的基础上,提出一种新的通道扩增模块,采用带有通道分配权重的多尺度深度卷积与组卷积结合,增强空间和通道的特征提取效率;在网络中采用通道扩张-保持-再扩张-压缩的新策略,进一步优化通道特征提取;引入密集连接方式,提高在同尺寸的特征图之间特征重用.试验数据集由10种不同植物的50类图像组成,分别包括10种健康植物和27种病害,其中对13种病害进行了两种程度的分类.本文的方法在这些类别上可以获得91.9%的准确率,88.7%的精确率,82.45%的召回率以及85.33%的F1值.本文的算法有更小的模型复杂度和参数量,计算量为29.33 M,为Xception的66.4%.参数量为14.05 M,为Xception的66.9%.因此,Xception-CEMs能够有效对病虫害进行识别,有利于农业智能化发展.
深度学习、植物病害、特征提取、密集连接、图像识别
42
TP391.41(计算技术、计算机技术)
浙江省自然科学基金联合基金资助;浙江省教育厅科研项目
2021-09-22(万方平台首次上网日期,不代表论文的发表时间)
共10页
177-186