文献类型：期刊文章

作　　者：许景辉[1,2] 邵明烨[1] 王一琛[1] 韩文霆[3]

XU Jinghui;SHAO Mingye;WANG Yichen;HAN Wenting(College of Mechanical and Electronic Engineering,Northwest A&F University,Yangling,Shaanxi 712100,China;Key Laboratory of Agricultural Soil and Water Engineering in Arid Areas,Ministry of Education,Northwest A&F University,Yangling,Shaanxi 712100,China;Institute of Soil and Water Conservation,Northwest A&F University,Yangling,Shaanxi 712100,China)

机构地区：[1]西北农林科技大学机械与电子工程学院,陕西杨凌712100 [2]西北农林科技大学旱区农业水土工程教育部重点实验室,陕西杨凌712100 [3]西北农林科技大学中国旱区节水农业研究院,陕西杨凌712100

出　　处：《农业机械学报》

基　　金：国家重点研发计划项目(2017YFC0403203);陕西省水利科技计划项目(2014slkj-18)

年　　份：2020

卷　　号：51

期　　号：2

起止页码：230-236

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

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

分 类 号：TP391.41] TP181[计算机类]