面向移动端的植物病害图像识别方法及其应用
2023-03-21段军明董明刚
江苏农业科学 2023年4期
杨 祥,段军明,董明刚
(桂林理工大学信息科学与工程学院,广西桂林 541000)
植物病害种类各种各样,植物病害识别的传统方法是基于植物研究专家进行直观的观察和监测,该方式需要专业人员在一个特定区域中持续进行监测,这需要消耗大量的人力资源且产生巨大的经济开销。现如今随着智能信息化的进步,人工智能技术,特别是深度学习技术给人们的生活工作等多方面提供了巨大的便利,利用人工智能去替代传统的人工鉴别方式,十分有利于提高识别速度,快速准确定位农业植物发病原因。孙云云等通过使用经典卷积神经网络(CNN)AlexNet完成对茶叶病害的图像识别[1];许景辉等通过迁移学习将VGG-16卷积神经网络应用在玉米叶片病害中,平均识别率达到95.33%[2];宋晨勇等对GoogLeNet模型进行改进,在苹果病害识别上的精准率达到98.4%[3];刘翱宇等利用ResNet50网络通过引入Focal Loss损失函数在识别玉米病害上的准确率高达98.96%[4]。传统的卷积神经网络AlexNet[5]、VGG[6]、GoogleNet[7]、ResNet[8]等因参数多、计算复杂度高,运行时需要丰富的计算资源和较大的存储空间,因此限制了在资源有限的移动端设备中应用。
在现实生活中,研究一种低计算成本、高性能的方法用于植物病害识别是目前最广泛的需求。为了使卷积神经网络在不降低识别率的条件下,降低参数量和模型复杂程度进而降低识别成本,本研究提出了一种轻量级CNN植物病害图像识别方法,通过采用轻量级卷积神经网络ShuffleNet V2 1.5×架构,在原网络中通过……
登录APP查看全文
