本文選題：病害 + 植物��； 參考：《農(nóng)業(yè)工程學(xué)報(bào)》2017年19期

【摘要】：針對(duì)訓(xùn)練收斂時(shí)間長(zhǎng),模型參數(shù)龐大的問題,該文將傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn),提出一種批歸一化與全局池化相結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型。通過對(duì)卷積層的輸入數(shù)據(jù)進(jìn)行批歸一化處理,以便加速網(wǎng)絡(luò)收斂。進(jìn)一步縮減特征圖數(shù)目,并采用全局池化的方法減少特征數(shù)。通過設(shè)置不同尺寸的初始層卷積核和全局池化層類型,以及設(shè)置不同初始化類型和激活函數(shù),得到8種改進(jìn)模型,用于訓(xùn)練識(shí)別14種不同植物共26類病害并選出最優(yōu)模型。改進(jìn)后最優(yōu)模型收斂時(shí)間小于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型,僅經(jīng)過3次訓(xùn)練迭代,就能達(dá)到90%以上的識(shí)別準(zhǔn)確率;參數(shù)內(nèi)存需求僅為2.6 MB,平均測(cè)試識(shí)別準(zhǔn)確率達(dá)到99.56%,查全率和查準(zhǔn)率的加權(quán)平均分?jǐn)?shù)為99.41%。改進(jìn)模型受葉片的空間位置的變換影響較小,能識(shí)別多種植物葉片的不同病害。該模型具有較高的識(shí)別準(zhǔn)確率及較強(qiáng)的魯棒性,該研究可為植物葉片病害的識(shí)別提供參考。
[Abstract]:Aiming at the problems of long training convergence time and large model parameters, this paper improves the traditional convolution neural network model and proposes a new recognition model of convolution neural network combining batch normalization and global pool. In order to accelerate the convergence of the network, batch normalization of the input data of the convolution layer is carried out. The number of feature graphs is further reduced, and the global pool method is used to reduce the number of features. By setting initial layer convolution kernel and global pool layer type with different sizes, as well as setting different initialization types and activation functions, 8 improved models are obtained, which can be used to train and identify 26 kinds of diseases of 14 different plants and select the optimal model. The convergence time of the improved optimal model is less than that of the traditional convolution neural network model. After only three training iterations, the recognition accuracy of the improved model can reach more than 90%. The parameter memory requirement is only 2.6 MB, the average test recognition accuracy is 99.56, and the weighted average score of recall and precision is 99.41. The improved model is less affected by the change of the spatial position of leaves and can identify different diseases of many kinds of plant leaves. The model has high recognition accuracy and robustness, and it can be used as a reference for the identification of plant leaf diseases.
【作者單位】： 江蘇大學(xué)電氣信息工程學(xué)院;江蘇大學(xué)江蘇省現(xiàn)代農(nóng)業(yè)裝備與技術(shù)重點(diǎn)實(shí)驗(yàn)室;
【基金】：國(guó)家自然科學(xué)基金資助項(xiàng)目(No.31471413) 江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目PAPD(蘇政辦發(fā)2011 6號(hào)) 江蘇省六大人才高峰資助項(xiàng)目(ZBZZ-019) 江蘇大學(xué)大學(xué)生科研立項(xiàng)資助項(xiàng)目(Y15A039);江蘇大學(xué)大學(xué)生實(shí)踐創(chuàng)新訓(xùn)練項(xiàng)目(No.46)
【分類號(hào)】：S432;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 馮旭東,陳方;神經(jīng)網(wǎng)絡(luò)在病蟲害診斷中的應(yīng)用[J];電腦開發(fā)與應(yīng)用;1999年01期

2 蘇超;方崇;黃偉軍;;SOM神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)旱情評(píng)價(jià)中的應(yīng)用[J];人民黃河;2011年07期

3 張映梅,李修煉,趙惠燕;模擬人工神經(jīng)網(wǎng)絡(luò)對(duì)小麥吸漿蟲發(fā)生程度的預(yù)測(cè)[J];西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年S1期

4 黎粵華,梁穎紅,王述洋;人工神經(jīng)網(wǎng)絡(luò)技術(shù)在林火重災(zāi)年預(yù)測(cè)中的應(yīng)用前景[J];林業(yè)勞動(dòng)安全;2001年01期

5 韋艷玲;;基于模糊聚類的神經(jīng)網(wǎng)絡(luò)蟲情預(yù)測(cè)[J];Agricultural Science & Technology;2009年04期

6 胡林;馮仲科;聶玉藻;;基于VLBP神經(jīng)網(wǎng)絡(luò)的林火預(yù)測(cè)研究[J];林業(yè)科學(xué);2006年S1期

7 林惠強(qiáng);劉財(cái)興;洪添勝;肖磊;高穩(wěn)猛;;基于GA的果樹仿形噴霧神經(jīng)網(wǎng)絡(luò)混合模型研究[J];農(nóng)業(yè)工程學(xué)報(bào);2007年10期

8 韋艷玲;林飛盈;;基于模糊聚類的神經(jīng)網(wǎng)絡(luò)蟲情預(yù)測(cè)研究[J];安徽農(nóng)業(yè)科學(xué);2009年21期

9 周瑛,黃巖坤,隋桂云;神經(jīng)網(wǎng)絡(luò)用于三元不對(duì)稱有機(jī)磷酸酯殺蟲劑的QSAR研究[J];浙江工業(yè)大學(xué)學(xué)報(bào);1999年02期

10 姜偉;馮仲科;胡林;;基于VLBP神經(jīng)網(wǎng)絡(luò)的林火風(fēng)險(xiǎn)預(yù)測(cè)模型[J];林業(yè)資源管理;2007年01期

相關(guān)博士學(xué)位論文 前1條

1 熊雪梅;參數(shù)化模糊遺傳神經(jīng)網(wǎng)絡(luò)及在植物病害預(yù)測(cè)的應(yīng)用[D];南京農(nóng)業(yè)大學(xué);2004年

相關(guān)碩士學(xué)位論文 前4條

1 米雅婷;基于GA-BP神經(jīng)網(wǎng)絡(luò)的溫室番茄病害診斷研究[D];東北林業(yè)大學(xué);2016年

2 楊書顯;基于PSO算法的氧樂果合成過程建模與控制研究[D];鄭州大學(xué);2010年

3 饒丹丹;一種基于BP神經(jīng)網(wǎng)絡(luò)對(duì)水稻害蟲預(yù)測(cè)的研究[D];武漢輕工大學(xué);2013年

4 王曉娟;基于模糊控制與RBF神經(jīng)網(wǎng)絡(luò)的桃病蟲害發(fā)生預(yù)測(cè)研究[D];河北農(nóng)業(yè)大學(xué);2011年

，

本文編號(hào)：1928726