深度学习与迁移学习提升油茶病害图像识别精准度
146 浏览量
更新于2024-08-27
3
收藏 903KB PDF 举报
本文主要探讨了"基于卷积神经网络与迁移学习的油茶病害图像识别"这一主题,由龙满生、欧阳春娟、刘欢和付青四位作者在《农业工程学报》2018年第34卷第18期上发表的研究论文。传统植物病害图像识别方法往往依赖于繁琐的人工特征设计,效率低下且准确性受限。为了改进这一点,作者利用深度卷积神经网络(Convolutional Neural Network, CNN)的强大特征学习和表达能力,自动提取油茶病害的特征。
研究者首先对油茶叶片图像进行预处理,包括阈值分割、旋转对齐和尺度缩放,然后将图像划分为五个类别:藻斑病、软腐病、煤污病、黄化病和健康叶。每类选取750幅图像作为样本,其中80%用于训练,20%用于测试。为了增强模型的泛化能力和减少过拟合,他们采用数据扩充技术,如随机裁剪、旋转变换和透视变换,模拟不同视角下的图像采集。
在TensorFlow深度学习框架下,作者分别对未经过数据扩充和经过数据扩充后的样本集应用AlexNet模型。迁移学习在此发挥了关键作用,通过将AlexNet在大规模ImageNet数据集上学到的知识迁移到油茶病害识别任务上,显著提高了模型的收敛速度和分类性能。实验结果显示,迁移学习下的分类准确率达到96.53%,对于各类病害的F1得分表现优异,尤其是藻斑病、软腐病、煤污病、黄化病和健康叶的F1得分分别为94.28%、94.67%、97.31%、98.34%和98.03%。
这项研究的方法具有较高的识别精度和对平移、旋转变化的鲁棒性,为植物叶片病害的智能诊断提供了有效的解决方案。此外,它还强调了深度学习特别是迁移学习在农业领域的应用潜力,对于提高农业生产效率和精准管理具有重要意义。关键词涵盖了病害分类、作物、油茶病害、图像识别、深度学习和迁移学习。文章的DOI为10.11975/j.issn.1002-6819.2018.18.024,中图分类号为TP391.4和S431.9,文献标志码为A,文章编号为1002-6819(2018)-18-0194-08。
2021-09-26 上传
2021-09-25 上传
2021-09-25 上传
2023-06-03 上传
2023-06-03 上传
2023-10-22 上传
2023-06-11 上传
2023-06-03 上传
2023-03-26 上传
weixin_38703787
- 粉丝: 5
- 资源: 889
最新资源
- 深入理解23种设计模式
- 制作与调试:声控开关电路详解
- 腾讯2008年软件开发笔试题解析
- WebService开发指南:从入门到精通
- 栈数据结构实现的密码设置算法
- 提升逻辑与英语能力:揭秘IBM笔试核心词汇及题型
- SOPC技术探索:理论与实践
- 计算图中节点介数中心性的函数
- 电子元器件详解:电阻、电容、电感与传感器
- MIT经典:统计自然语言处理基础
- CMD命令大全详解与实用指南
- 数据结构复习重点:逻辑结构与存储结构
- ACM算法必读书籍推荐:权威指南与实战解析
- Ubuntu命令行与终端:从Shell到rxvt-unicode
- 深入理解VC_MFC编程:窗口、类、消息处理与绘图
- AT89S52单片机实现的温湿度智能检测与控制系统