基于迁移学习和残差网络的农作物病害分类

摘要：

作物病害对农业产品的质量和产量有重要影响,单一物种病害的分类模型难以应对复杂的农业生产环境.该研究对深度残差网络SE-ResNeXt-101模型进行改进,并基于迁移学习(Transfer Learning,TL)提出了一种农作物病害分类模型TL-SE-ResNeXt-101,用于不指定农作物种类的病害检测分类.在重构的AI Challenger 2018农作物病害数据集上,将该模型与VGG-16、GoogLeNet、ResNet-50和DenseNet-121卷积神经网络模型进行比较.结果表明,相同试验条件下,本文模型对不同作物种类的不同病害分类平均准确率达到98％,分类效果优于其他模型;在真实农业生产环境下该模型的分类效果也优于其他模型,平均准确率达到47.37％.该模型具有较高的识别准确率与较强的鲁棒性,可为复杂农业生产环境下对不同作物种类不同病害的识别分类提供参考.

关键词：作物、病害、深度学习、残差网络、迁移学习

所属期刊栏目：37

分类号：TP391.4;S431.9(计算技术、计算机技术)

资助基金：安徽高校协同创新项目;国家自然科学基金青年基金项目

在线出版日期：2021-05-17（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：199-207