APP下载

基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别

2021-04-02牟文芊董萌萍孙文杰杨晓霞王秀美

山东农业大学学报(自然科学版) 2021年1期
关键词:深度特征

牟文芊,董萌萍,孙文杰,杨晓霞*,王秀美

基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别

牟文芊1,董萌萍1,孙文杰1,杨晓霞1*,王秀美1

山东农业大学信息科学与工程学院, 山东 泰安 271018

茶树是重要的经济作物,叶部病害的发生直接影响其产量和质量。针对胶囊网络在茶树叶部病害图像识别中识别率低和参数量大的问题,提出了一种基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别算法。首先,由于尚无茶树叶部病害图像标准数据集,构建了茶树叶部病害图像数据集。其次,在胶囊网络中引入深度可分离卷积,并在深度可分离卷积层后加入SENet。实验结果表明,提出算法的识别准确率为94.20%,相同条件下优于其它模型。

胶囊网络; 压缩激发网络; 深度可分离卷积; 茶树叶部病害

中国是茶树种植大国,也是茶园面积增速最快的国家。茶树叶部病害识别与防治可以有效地提高茶叶的产量和质量。目前,茶树叶部病害识别主要依靠人工,专业性强,费时费力,且当茶树叶部病害特征不够明显时,人工识别易判断错误。

深度学习作为人工智能的核心技术,具有图像和语音识别速度快和准确率高的优势。近年来,广泛应用于农作物病虫害识别并取得了较大进展。Mohanty等[1]分析了PlantVillage数据库中的54306幅植物叶子图像,共14种作物和26种作物病害,利用GoogLeNet结构,对80%的彩色图像进行迁移学习训练,达到了较高的准确率。Ramcharan等[2]应用学习迁移训练卷积神经网络(Convolutional Neural Networks,CNN)对木薯3种病害和2种害虫进行识别,利用Inception V3模型,测试精度高。……

登录APP查看全文

猜你喜欢

深度特征
如何表达“特征”
不忠诚的四个特征
深度观察
深度观察
深度观察
深度观察
提升深度报道量与质
线性代数的应用特征