文献类型：期刊文章

作　　者：赵立新[1,2] 侯发东[1,2] 吕正超[1,2] 朱慧超[1,2] 丁筱玲[1,2]

Zhao Lixin;Hou Fadong;Lyu Zhengchao;Zhu Huichao;Ding Xiaoling(Mechanical&Electronic Engineering College,Shandong Agricultural University,Taian 271018,China;Shandong Provincial Key Laboratory of Horticultural Machineries and Equipments,Taian 271018,China)

机构地区：[1]山东农业大学机械与电子工程学院,泰安271018 [2]山东省园艺机械与装备重点实验室,泰安271018

出　　处：《农业工程学报》

基　　金：山东省农机装备研发创新计划项目(2015YZ103);山东省农业重大应用技术创新项目(SNZY31955);山东农业大学现代农业智能化装备研发项目(SDAU24131)。

年　　份：2020

卷　　号：36

期　　号：7

起止页码：184-191

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、EBSCO、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。

关 键 词：卷积神经网络  图像识别 病害 图像增强 迁移学习  棉花

分 类 号：S24] TP2[农业工程类]