文献类型：期刊文章

作　　者：孙俊[1] 谭文军[1] 毛罕平[2] 武小红[1] 陈勇[1] 汪龙[1]

机构地区：[1]江苏大学电气信息工程学院,镇江212013 [2]江苏大学江苏省现代农业装备与技术重点实验室,镇江212013

出　　处：《农业工程学报》

基　　金：国家自然科学基金资助项目(No.31471413);江苏高校优势学科建设工程资助项目PAPD(苏政办发2011 6号);江苏省六大人才高峰资助项目(ZBZZ-019);江苏大学大学生科研立项资助项目(Y15A039);江苏大学大学生实践创新训练项目(No.46)

年　　份：2017

卷　　号：33

期　　号：19

起止页码：209-215

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CAB、CAS、CSCD、CSCD2017_2018、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对训练收敛时间长,模型参数庞大的问题,该文将传统的卷积神经网络模型进行改进,提出一种批归一化与全局池化相结合的卷积神经网络识别模型。通过对卷积层的输入数据进行批归一化处理,以便加速网络收敛。进一步缩减特征图数目,并采用全局池化的方法减少特征数。通过设置不同尺寸的初始层卷积核和全局池化层类型,以及设置不同初始化类型和激活函数,得到8种改进模型,用于训练识别14种不同植物共26类病害并选出最优模型。改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90%以上的识别准确率;参数内存需求仅为2.6 MB,平均测试识别准确率达到99.56%,查全率和查准率的加权平均分数为99.41%。改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害。该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考。

关 键 词：病害 植物 图像处理 识别  卷积神经网络 批归一化  全局池化  深度学习  

分 类 号：S126]