文献类型：期刊文章

作　　者：冯晓[1,2] 李丹丹[1] 王文君[3] 郑国清[1,2] 刘海礁[1,2] 孙永胜[1] 梁山[1] 杨莹[1] 臧贺藏[1,2] 张辉[1,2]

FENG Xiao;LI Dandan;WANG Wenjun;ZHENG Guoqing;LIU Haijiao;SUN Yongsheng;LIANG Shan;YANG Ying;ZANG Hecang;ZHANG Hui(Institute of Agricultural Economics and Information,Henan Academy of Agricultural Sciences,Zhengzhou 450002,China;Henan Engineering and Technology Research Center for Intelligent Agriculture,Zhengzhou 450002,China;Henan Academy of Forestry,Zhengzhou 450008,China)

机构地区：[1]河南省农业科学院农业经济与信息研究所,河南郑州450002 [2]河南省智慧农业工程技术研究中心,河南郑州450002 [3]河南省林业科学研究院,河南郑州450008

出　　处：《河南农业科学》

基　　金：河南省科技攻关计划项目(162102210377,182102110047,212102110253)。

年　　份：2021

卷　　号：50

期　　号：4

起止页码：174-180

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为实现基于移动端的小麦叶部病害图像便捷识别,基于轻量级卷积神经网络(Convolutional neural network,CNN)和迁移学习建立小麦叶部病害图像识别模型。首先,建立由小麦白粉病、条锈病和叶锈病3种小麦叶部病害图像组成的样本集,每幅图像大小为224像素×224像素;然后,采用深度学习框架Tensorflow 2.0,基于MobileNetV2构建小麦叶部病害图像识别模型,使用ImageNet数据集上训练好的参数作为模型初始参数;最后,分析迁移学习方法、样本量、全局平均池化(Global average pooling,GAP)前添加Dropout层、初始学习率大小对模型性能的影响。结果表明,采用将模型所有层设置为可训练的迁移学习方式、选择适合的数据增强方法增加样本量、在GAP前添加Dropout层、设置0.00001的初始学习率,对3种小麦病害图像的平均识别准确率高达99.96%。可见,基于MobileNetV2和迁移学习可构建识别准确率高、泛化能力强、适合移动端应用的小麦叶部病害图像识别模型。

关 键 词：小麦 叶部病害 卷积神经网络 迁移学习  图像识别 MobileNetV2  计算机视觉

分 类 号：S126] S435.12