为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法。该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络...为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法。该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络对尺度的适应性。带泄露修正线性单元(Leaky ReLU)激活函数用于替换修正线性单元(Recitified Linear Unit,ReLU)激活函数,该函数以ReLU函数为基础,在函数的负半轴上引入一个非零斜率(Leaky),解决了ReLU函数引起的神经元死亡现象。在平均池化层和全连接层之间加入Dropout(按照一定的概率将神经网络单元暂时从网络中丢弃)操作,合理设置阈值,可以有效地防止卷积神经网络的过拟合。最后,引入SE注意力机制进一步提高网络模型的识别精度。在公共数据集Plant Village(植物村)的实验表明,改进的深度残差网络模型能够很好地识别果树叶片病害,平均准确率可达到99.4%。展开更多
文摘为分析果树在种植过程中病害的程度和种类,本文提出一种基于改进深度残差网络的果树叶片病害图像识别方法。该网络模型在传统残差神经网络的基础上,通过多尺寸的卷积核代替骨干网络中的7×7卷积核,既增加了网络的宽度,也增加了网络对尺度的适应性。带泄露修正线性单元(Leaky ReLU)激活函数用于替换修正线性单元(Recitified Linear Unit,ReLU)激活函数,该函数以ReLU函数为基础,在函数的负半轴上引入一个非零斜率(Leaky),解决了ReLU函数引起的神经元死亡现象。在平均池化层和全连接层之间加入Dropout(按照一定的概率将神经网络单元暂时从网络中丢弃)操作,合理设置阈值,可以有效地防止卷积神经网络的过拟合。最后,引入SE注意力机制进一步提高网络模型的识别精度。在公共数据集Plant Village(植物村)的实验表明,改进的深度残差网络模型能够很好地识别果树叶片病害,平均准确率可达到99.4%。
