文献类型：期刊文章

作　　者：贾鹤鸣[1,2] 郎春博[3] 姜子超[4]

JIA Heming;LANG Chunbo;JIANG Zichao(School of Information Engineering,Sanming University,Sanming Fujian 365004,China;Fujian Key Lab of Agriculture IOT Application(Sanming University),Sanming Fujian 365004,China;School of Automation,Northwestern Polytechnical University,Xi’an Shaanxi 710129,China;College of Mechanical and Electrical Engineering,Northeast Forestry University,Harbin Heilongjiang 150040,China)

机构地区：[1]三明学院信息工程学院,福建三明365004 [2]福建省农业物联网应用重点实验室(三明学院),福建三明365004 [3]西北工业大学自动化学院,西安710129 [4]东北林业大学机电工程学院,哈尔滨150040

出　　处：《计算机应用》

基　　金：中央高校基本科研业务费专项资金资助项目(2572019BF04)。

年　　份：2021

卷　　号：41

期　　号：6

起止页码：1812-1819

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对目前农业信息领域植物病害识别精度较低、实时性较差的问题,提出了一种基于轻量级卷积神经网络(CNN)的植物叶片病害识别方法。在原有网络中引入深度可分离卷积(DSC)和全局平均池化(GAP)方法,分别用来代替标准卷积运算操作并对网络末端的全连接层部分进行替换。同时,批归一化的技巧也被运用到训练网络的过程中,以改善中间层数据分布并提高收敛速度。为全面而可靠地评估所提方法的性能,在公开的植物叶片病害图像数据集Plant Village上进行实验,选取损失函数收敛曲线、测试精度、参数内存需求等指标来验证改进策略的有效性。实验结果表明,改进后的网络具有较高的病害识别精度(99.427%)以及较小的内存空间占用(6.47 MB),可见其与其他基于神经网络的叶片识别技术相比具有优势,工程实用性较强。

关 键 词：卷积神经网络 植物叶片病害  图像分类 深度可分离卷积  全局平均池化  

分 类 号：TP391.4]