改进轻量卷积网络在葡萄病害叶片的分类方法

摘要：

针对传统人工检测葡萄叶片病害种类准确率不高、效率低的问题,提出了一种改进轻量卷积网络模型的葡萄叶片病害图像分类方法.选择对小规模数据分类效果好的Xception网络作为基础模型,对其进行创新性改进,首先,将原始网络中的ReLU激活函数替换为ELU激活函数;其次,设计全新的全连接层,使用全局最大池化层替换原来的全局平均池化层,并对输出层进行改进;再次,在网络中嵌入通道注意力机制.对数据进行预处理,将数据按4∶1的比例划分训练集和测试集.为模拟现实拍摄情况,在训练时采用数据增强方法,对数据进行扩容,然后将在ImageNet上预训练好的权重参数迁移到改进的模型中.实验结果表明,改进的葡萄叶片病害分类模型(Grape-Xception)的准确率相较于原始模型提高了2.95 个百分点达到99.57%,研究模型的规模为81.38MB.与其他网络模型相比,准确率大幅提高,为葡萄叶片病害的快速诊断和及时防控提供了一种准确高效的方法.

关键词：葡萄病害、图像分类、深度学习、轻量卷积网络、Xception

所属期刊栏目：28

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;黑龙江省自然科学基金项目

在线出版日期：2023-11-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1-9