農(nóng)作物病害治理對(duì)于農(nóng)作物的產(chǎn)量和品質(zhì)有著非常重要的影響。本文針對(duì)玉米病害人工識(shí)別困難、識(shí)別過(guò)程耗費(fèi)大量的人力成本和病害數(shù)據(jù)樣本小且分布不均的問(wèn)題,提出了一種改進(jìn)的遷移學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)(Neural Network)的病害識(shí)別方法。首先,采用旋轉(zhuǎn)、翻轉(zhuǎn)等方法對(duì)樣本圖像集進(jìn)行數(shù)據(jù)增強(qiáng);其次,通過(guò)遷移的MobileNetV2模型在玉米病害圖像數(shù)據(jù)集上訓(xùn)練,利用Focal Loss函數(shù)改進(jìn)神經(jīng)網(wǎng)絡(luò)的損失函數(shù);最后,通過(guò)Softmax分類方法實(shí)現(xiàn)玉米病害圖像識(shí)別。另外通過(guò)試驗(yàn)對(duì)比AlexNet、GooleNet、Vgg16、RestNet34、MobileNetV2和遷移的MobileNetV2這6種模型的訓(xùn)練集準(zhǔn)確率、驗(yàn)證集準(zhǔn)確率、權(quán)重、參數(shù)數(shù)量和運(yùn)行時(shí)間。結(jié)果顯示,6種模型驗(yàn)證集的準(zhǔn)確率分別為93.88%、95.48%、91.69%、97.67%、96.21%和97.23%,遷移的MobileNetV2的準(zhǔn)確率最高,且權(quán)重僅有8.69MB。進(jìn)一步通過(guò)混淆矩陣對(duì)比了MobileNetV2和遷移的MobileNetV2兩種模型,遷移的MobileNetV2模型識(shí)別正確率提升1.02%,訓(xùn)練速度減少6...

【文章頁(yè)數(shù)】：8 頁(yè)


本文編號(hào)：3856468