文章目录

1 材料与方法

1.1 试验数据

    1.1.1 数据来源

    1.1.2 数据预处理

    1.1.3 病害危害程度分级

1.2 模型搭建

    1.2.1 模型简介

    1.2.2 迁移学习

    1.2.3 超参数设置

1.3 评价指标

2 结果与讨论

2.1 训练结果

2.2 模型性能探讨

    2.2.1 数据集大小对模型性能的影响

    2.2.2 优化算法对模型性能的影响

2.3 模型验证

    2.3.1 病虫害识别

    2.3.2 病害分级

3 结论

文章摘要:为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治,采用迁移学习技术与GoogLeNet模型相结合的方法,对6种果园作物的25类病虫害样本进行识别与危害程度分级研究;同时,探究不同数据集大小以及不同优化算法对模型性能的影响;基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型,对病虫害识别精度可达99.35%,危害程度分级精度可达92.78%;2)在相同训练参数下,本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%～11.44%,并且收敛速度最快;3)本研究模型识别精度随着数据集的增大而提高;在3种优化算法中SGDM算法耗时最短且精度最高,更适合本研究模型。通过拍摄果树叶片病害区域图像,本研究设计的系统能够在0.43s左右准确识别出果树种类、病害类型以及危害等级等信息。

文章关键词:

论文分类号:TP391.41;S436.6