改进卷积神经网络的苹果叶分类方法

摘要：

基于机器学习和深度学习的叶分类图像模型过于关注某一类特征而忽视了模型的泛化能力,导致叶片的分类准确度不高、时间开销大.针对这一问题,在研究密集卷积神经网络的基础上,以苹果叶为对象,通过以下几种方法来提高检测效果:(1)增加一个数据不连续掩模层,以缓解训练神经网络时的过拟合现象;(2)使用广义平均池化改造原有池化方法,以增大输入特征的对比度,专注于输入特征图突出的部分,更好地利用来自卷积层输出张量的信息;(3)使用基于标签平滑(LableSmoothing)损失函数防止模型训练时过度拟合.仿真实验表明:改进后的算法不仅可发现原有数据集中存在的同一种病叶的错误标签分类问题,同时提高了整个苹果叶的检测效果.

关键词：植物病理;图像分类;数据增强;池化策略;标签平滑

所属期刊栏目：41

分类号：TP312(计算技术、计算机技术)

资助基金：教育部卓越工程师教育培养计划项目产学合作协同育人项目201902214013

在线出版日期：2022-02-16（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：71-78