文献类型：期刊文章

作　　者：樊湘鹏[1] 周建平[1,2] 许燕[1,2] 彭炫[3]

FAN Xiangpeng;ZHOU Jianping;XU Yan;PENG Xuan(School of Mechanical Engineering,Xinjiang University,Urumqi 830047,China;Agriculture and Animal Husbandry Robot and Intelligent Equipment Engineering Research Center of Xinjiang Uygur Autonomous Region,Urumqi 830047,China;Engineering Training Center,Xinjiang University,Urumqi 830047,China)

机构地区：[1]新疆大学机械工程学院,乌鲁木齐830047 [2]新疆维吾尔自治区农牧机器人及智能装备工程研究中心,乌鲁木齐830047 [3]新疆大学工程训练中心,乌鲁木齐830047

出　　处：《农业机械学报》

基　　金：新疆维吾尔自治区研究生科研创新项目(XJ2019G033);国家级大学生创新创业训练项目(201810755079S)。

年　　份：2021

卷　　号：52

期　　号：3

起止页码：210-217

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。

关 键 词：玉米 病害识别 改进卷积神经网络  复杂背景  手机识别系统  

分 类 号：TP39141] TP181[计算机类]