基于卷积神经网络的农作物病害识别研究

作     者：石晨宇 周春 靳鸿 郭超凡 Shi Chenyu;Zhou Chun;Jin Hong;Guo Chaofan

作者机构：中北大学电子测试技术国家重点实验室太原030051 中国船舶集团有限公司第七〇五研究所西安710075 

出 版 物：《国外电子测量技术》 (Foreign Electronic Measurement Technology)

年 卷 期：2021年第40卷第9期

页      面：93-99页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：粮食丰产增效科技创新重大专项(2016YFD0300201)资助 

主　　题：卷积神经网络 GhostNet 农作物病害 图像分类 

摘      要：随着深度学习以及图像识别技术的不断发展,图像识别技术的应用越来越广,其中就包括农作物病害的识别。已有的成熟神经网络架构多数是为了识别大的数据集而设计,拥有大量参数从而导致占用大量存储空间、运行时间较长,难以在存储空间与处理器性能有限的移动设备上使用,以及在农作物病害识别研究中,部分农作物病害的样本量较少。针对上述问题,采用轻量化的卷积神经网络和较少的叶片样本,最终训练出识别精度较为理想的模型。相同精度下,轻量化模型仅为普通模型的1/10,最终训练完成的模型大小仅为1.5~4.5 MB,并使用目前应用较少的激活函数GELU替换常用的ReLU,模型收敛效果更好,提高了识别精度,最终可以达到95%。模型复杂度也远远小于普通卷积神经网络模型,极大程度的减少了内存的消耗、减少了计算量,可以很好的提高农业监测中智能装置的性能。