文献类型：期刊文章

作　　者：黄平[1,2] 闭吕庆[2,3] 莫燕斌[2] 覃斌毅[2] 林林[4] 万海斌[1]

HUANG Ping;BI Lüqing;MO Yanbin;QIN Binyi;LIN Lin;WAN Haibin(School of Computer and Electronic Information,Guangxi University,Nanning 530004,China;School of Physics and Telecommunication Engineering,Research Center for Intelligent Information and Communication Technology,Yulin Normal University,Yulin 537006,China;School of Electronic Science and Engineering,Xiamen University,Xiamen 361005,China;Yulin Institute of Agricultural Sciences,Yulin 537006,China)

机构地区：[1]广西大学计算机与电子信息学院,广西南宁530004 [2]玉林师范学院物理与电信工程学院智能信息与通信技术研究中心,广西玉林537006 [3]厦门大学电子科学与技术学院,福建厦门361005 [4]玉林市农业科学研究所,广西玉林537006

出　　处：《无线电工程》

基　　金：国家自然科学基金(62041111);广西高校中青年教师基础能力提升项目(2017ky0542);玉林市大数据研究项目(2020YJKY04)。

年　　份：2022

卷　　号：52

期　　号：3

起止页码：407-416

语　　种：中文

收录情况：BDHX、BDHX2020、JST、核心刊

摘　　要：针对基于传统机器学习与简单神经网络的病虫害识别方法对于具有小样本、数据不均衡、特征演变(黄龙病不同病害阶段的特征差异较大)、特征不明显和多类别等特点的柑橘病虫害识别效果不理想的问题,设计了一种基于VGG19改进的VGG19-INC模型。该模型以VGG19网络模型为骨干网络并利用迁移学习实现预训练权重参数的共享;模型结构使用1个批标准化卷积层和2个Inception模块替换VGG19的第5卷积层;使用1个全局池化层替换VGG19模型的全连接层,使用一个1×4的Softmax层作为分类输出层。所提模型不仅保留了VGG19对图像特征的有效提取,还利用Inception模块增加了网络的深度与宽度,使模型获得了不同大小的感受野,实现了多尺度特征的融合;全局池化层对全连接层的替换,使参数减少率达到了70.56%,有效地提高了模型的训练速度与平均测试速度,降低参数负载。试验结果表明,VGG19-INC对柑橘(沙田柚)黄龙病、潜叶蛾和线虫病等病虫害识别准确率为98.47%,比VGG19,Resnet50,Inceptionv3,Densenet201模型分别高22.26%,14.47%,5.18%和0.24%;损失值为0.0415,比其他模型分别低1.1085,0.2172,0.3987,0.0654,并具有良好的泛化能力。

关 键 词：柑橘病虫害 迁移学习  图像识别 Inception模块  全局平均池化  

分 类 号：S436.6] TP391.4]