摘要
随着机器学习加速应用于各行各业,卷积神经元网络在农作物病害图片识别领域展现出良好的性能。本文针对传统卷积网络所需样本量大、训练时间长、二次学习困难等问题,实现了一种基于特征的有监督迁移学习,在Inception-V3网络的基础上,使用imageNet固化特征提取层,为目标领域设置特征分类器的方法,在每种病害仅使用20张图片的小样本基础上,实现了对8种不同病害的正确识别,总体识别率达到90.6%,并给出了进一步提升模型性能的方法,以期为小样本农作物病害图片识别提供有益参考。
引文
[1]刘阗宇,冯全,杨森.基于卷积神经网络的葡萄叶片病害检测方法[J].东北农业大学学报,2018(3):73-78.
[2]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241-243.
[3]孙俊,谭文军,毛罕平,等.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报,2017,33(19):209-215.
[4]曹乐平.基于机器视觉的植物病虫害实时识别方法[J].中国农学通报,2015,31(20):244-249.
[5]张帅,淮永建.基于分层卷积深度学习系统的植物叶片识别研究[J].北京林业大学学报,2016,38(9):108-115.
[6]余秀丽,徐超,王丹丹,等.基于SVM的小麦叶部病害识别方法研究[J].农机化研究,2014,36(11):151-155.
[7] SLADOJEVIC S,ARSENOVIC M,ANDERLA A,et al. Deep neural networks based recognition of plant diseases by leaf image classification[J].Computational Intelligence and Neuroscience,2016(6):1-11.
[8] BRAHIMI M,BOUKHALFA K,MOUSSAOUI A.Deep learning for tomato diseases:Classification and symptoms visualization[J].Applied Artificial Intelligence,2017:1-17.
[9] AMARA J,BOUAZIZ B,ALGERGAWY A,et al.A deep learning based approach for banana leaf diseases classification[C]//Datenbanksysteme Für Business,Technologie Und Web,2017:79-88.
[10]王献锋,张善文,王震,等.基于叶片图像和环境信息的黄瓜病害识别方法[J].农业工程学报,2014,30(14):148-153.
[11] SINNO J P,QIANG Y.A Survey on transfer learning[J].IEEE Transactions on Knowledge&Data Engineering,2010,22(10):1345-1359.