基于卷积神经网络的玉米病害识别方法研究与应用-文献详情-维普官网

文献检索

任意字段

文献信息

任意字段
主题词
篇关摘
篇名
关键词
摘要
作者
第一作者
作者单位
刊名
中图分类号
学科分类号
DOI
基金

智能检索

高级检索

检索历史

基于卷积神经网络的玉米病害识别方法研究与应用认领

作者：

刘飞

学位授予单位：

安徽科技学院

摘要：

玉米在全世界被广泛种植,它不仅是我国的重要粮食来源之一,而且也是工农业生产中的重要原材料。然而,各种玉米病害的存在严重威胁着玉米的生长和产量,因此对玉米病害的快速准确识别变得尤其重要,长期以来,传统的玉米病害识别多数依靠人为方式进行判断,这种方式依赖于农民自身对玉米病害的识别经验,受主观因素影响较大且比较耗时,不能及时的对玉米病害进行高效诊断,带来了农业经济损失。近年来,随着计算机的不断发展,CNN网络在图像识别领域中取得不错的效果,在农业领域应用中得到了进一步的提升,本文利用卷积神经网络的自动学习病害特征能力应用于玉米病害任务中,引入迁移学习思想,提高玉米病害的识别准确率。本文主要做了以下研究: 本文研究的玉米病害种类包括玉米褐斑病、大斑病、纹枯病、叶斑病、小斑病、锈病,共有数据集2725张图片。通过对病害图像数据进行预处理操作,加快模型的训练速度,同时增加了样本多样性。构建一种基于改进AlexNet网络的玉米病害识别方法,对该模型结构进行简化,简化后的模型由4个卷积模块、3个全连接层模块组成,选择批归一化算法来加快模型的收敛速度,利用Dropout技术来优化网络模型,防止过拟合现象发生,采用随机梯度下降法(Stochastic Gradient Descent,SGD)结合数据增强技术对模型进行训练,通过Softmax分类器对玉米病害进行识别。该模型的验证准确率为91.97%,在此基础上,与其他模型进行对比测试,结果改进AlexNet模型在测试集上的测试准确率(91.76%)、高于LeNet模型(75.38)%和AlexNet模型(77.22%)。实验结果表明,该模型收敛速度快,泛化能力强且鲁棒性好,在精确率、召回率和调和均值评价指标上优于对比模型,具有更好的识别效果,为玉米病害的高效识别提供了新的方法。针对卷积神经网络(Convolutional Neural Network,CNN)在小样本数据不足时所存在准确率低、精度不高的现状,提出了一种基于InceptionV3模型结合迁移学习方式提出了一种新的玉米病害识别模型,采用不冻结所有层的方式将InceptionV3模型在ImageNet库上作预训练,然后删除其全连接层,并重新设计全连接层结构,通过玉米病害数据集对新模型进行训练、验证及测试,分析了初始学习率、数据增强和迁移学习方式对模型性能的影响规律。实验结果表明:所提出的模型对6种病害的识别准确率高达97.76%,相较于传统模型,该模型具有收敛速度快、泛化能力强、准确率高等优势,并具有良好的鲁棒性。为了提高玉米病害的识别准确率问题,基于迁移学习方法和VGG16模型提出了一种FT-VGG16模型。该模型在设计上继承了 VGG16预训练模型前层网络权重参数的最优解,在差异性较大的高层次网络上采取了参数微调处理,并根据分类对象特征重新设计了全连接层,使整个网络结构更利于图像特征信息的提取和分类识别。对FT-VGG16模型的可行性和综合性能进行了试验研究和对比分析,结果表明,在相同条件下,FT-VGG16模型的训练准确率为100%,测试准确率为98.53%,明显高于对比模型,且具有突出的收敛速度和鲁棒性能。玉米病害识别系统实现。使用Flask框架搭建了一个玉米病害识别系统,通过用户上传的玉米病害图片进行快速准确识别,为玉米病害识别的智能化研究与应用提供重要支撑。

摘要译文

关键词：

玉米病害; 卷积神经网络; 迁移学习; 深度学习; 图像识别

学位年度：

2022

学位类型：

硕士

学科专业：

农业硕士（专业学位）

导师：

高海涛王万年

中图分类号：

S435.131[玉米病害];TP183[人工神经网络与计算];TP391.41[图形图像识别]

学科分类号：

090401[植物病理学];090402[昆虫学];081103[系统工程];081104[模式识别与智能系统];081107[建模仿真理论与技术];140502[人工智能]

D O I：

10.27869/d.cnki.gakjx.2022.000001