文献类型：期刊文章

作　　者：郑一力[1] 张露[1]

机构地区：[1]北京林业大学工学院,北京100083

出　　处：《农业机械学报》

基　　金：中央高校基本科研业务费专项资金项目(2015ZCQ-GX-04);国家自然科学基金项目(31670719);北京市科技计划项目(Z161100000916012)

年　　份：2018

卷　　号：49

期　　号：S1

起止页码：354-359

语　　种：中文

收录情况：BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型(Alex Net、Inception V3)在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由Tensor Board可视化得到的数据绘制而成。结果表明,利用Alex Net、Inception V3预训练模型得到的测试集准确率分别为95. 31%、95. 40%,有效提高了识别准确率。

关 键 词：叶片识别  卷积神经网络 迁移学习  

分 类 号：TP183] TP391.41]