為了提高農(nóng)作物病蟲害嚴(yán)重程度(健康、一般、嚴(yán)重)的分類效果,采用遷移學(xué)習(xí)方式并結(jié)合深度學(xué)習(xí)提出了一種基于殘差網(wǎng)絡(luò)(ResNet 50)的CDCNNv2算法。通過對(duì)10類作物的3萬多幅病蟲害圖像進(jìn)行訓(xùn)練,獲得了病蟲害嚴(yán)重程度分類模型,其識(shí)別準(zhǔn)確率可達(dá)91.51%。為了驗(yàn)證CDCNNv2模型的魯棒性,分別與使用遷移學(xué)習(xí)的ResNet 50、Xception、VGG16、VGG19、DenseNet 121模型進(jìn)行對(duì)比試驗(yàn),結(jié)果表明,CDCNNv2模型比其他模型的平均精度提升了2.78～10.93個(gè)百分點(diǎn)具有更高的分類精度,病蟲害嚴(yán)重程度識(shí)別的魯棒性增強(qiáng)�；谠撍惴ㄋ�(xùn)練的模型,結(jié)合Android技術(shù)開發(fā)了一款實(shí)時(shí)在線農(nóng)作物病蟲害等級(jí)識(shí)別APP,通過拍攝農(nóng)作物葉片病蟲害區(qū)域圖像,能夠在0.1～0.5 s之內(nèi)獲取識(shí)別結(jié)果(物種-病害種類-嚴(yán)重程度)及防治建議。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖2數(shù)據(jù)增強(qiáng)結(jié)果Fig．2Ｒesultsofdataaugmentation

式中φ———處理后的圖像γ———原始圖像α———對(duì)比度β———光亮度當(dāng)圖像進(jìn)行了隨機(jī)光亮度增減之后，將圖像歸一化到－1～1之間，隨后設(shè)置中心點(diǎn)隨機(jī)旋轉(zhuǎn)一定角度，再進(jìn)行鏡面翻轉(zhuǎn)，最后將圖像統(tǒng)一到229像素×229像素。數(shù)據(jù)增強(qiáng)的結(jié)果如圖2所示。圖2數(shù)據(jù)增強(qiáng)結(jié)果Fig．2Ｒesult....

圖3CDCNNv2網(wǎng)絡(luò)框架圖Fig．3ConcisemodelstructureofCDCNNv2表對(duì)比試驗(yàn)結(jié)果

圖3CDCNNv2網(wǎng)絡(luò)框架圖Fig．3ConcisemodelstructureofCDCNNv2表1對(duì)比試驗(yàn)結(jié)果Tab．1Ｒesultsofcomparativeexperiments模型試驗(yàn)次數(shù)平均精度/%平均收斂時(shí)間/hＲesNet501087.529.78Xception....

圖4各模型精度收斂曲線Fig．4Accuracyconvergencecurvesofeachmodel

uctureofCDCNNv2表1對(duì)比試驗(yàn)結(jié)果Tab．1Ｒesultsofcomparativeexperiments模型試驗(yàn)次數(shù)平均精度/%平均收斂時(shí)間/hＲesNet501087.529.78Xception1088.487.02VGG161088.7312.20VGG191....

圖7APP調(diào)用服務(wù)器簡(jiǎn)明流程Fig．7SimplifyprocessofAPPcallingserver

過Docker掛載可以實(shí)現(xiàn)多個(gè)模型的部署，只需要在配置文件中表明各個(gè)模型的路徑與名稱。4.3Android端數(shù)據(jù)發(fā)送與接收Android端的數(shù)據(jù)收發(fā)并不復(fù)雜，由以下幾個(gè)步驟組成:(1)將接收到的圖像進(jìn)行64位編碼。(2)創(chuàng)建一個(gè)新的ＲequestBody實(shí)例，包含信息格式、編碼類....

本文編號(hào)：3935824