基于卷积神经网络的农作物病害分类研究

• 作 者: 王艳玲
• 出 处: 新疆大学
• 发表日期: 2021年07期
• 关键词: 卷积神经网络 作物病害 图像分类 特征融合

在世界各地,农作物病害都会严重影响农作物产量,致使各国农业发展较为缓慢。如何准确识别不同种类病害、智能诊断出病害是农业智能化的重要研宄方向。农作物病害不仅会影响农业生产产量,还会对食品安全产生威胁。由于病害症状复杂多变,即使是有经验的农学家和植物病理学家也常常不能成功地诊断出特定的疾病,从而导致错误的结论和治疗;并且人工识别作物病害耗时费力,识别具有一定的主观性,会导致农药错误使用,因此研究能快速准确识别作物病害的智能识别系统至关重要。本文为提高农作物病害图像识别准确率,对卷积神经网络分类识别方法展开研究,主要研究内容如下:(1)针对卷积神经网络在番茄病害识别中需训练参数较多,训练非常耗时的问题,对常见的10种类别(包括病害和健康)的番茄叶片图像的分类方法进行研究,采用了一种基于迁移学习的方法对番茄病害进行分类。将已经在Imagenet图像数据集上训练成熟的Alexnet模型和其参数迁移,把番茄病害图像作为网络的输入重新训练网络,用训练好的模型对10种类别的番茄叶片分类,实验结果表明本研究方法减少了网络训练时间,提高了分类准确率。(2)针对卷积神经网络对作物病害识别准确率和实时性需要改善的问题,提出了一种多尺度卷积神经网络,对多种作物共28种类别的病害叶片和健康叶片进行分类研究。多尺度网络模型是以ZFnet网络结构为基础构建的多尺度模型,低层网络提取图像的局部特征,高层网络提取全局特征,并将多种尺度的特征融合并输入到全连接层,使用Softmax作为最后一层全连接层的分类器输出分类结果,进而实现多种作物病害图像分类。(3)由于作物病害图像集中每个类别对应的样本数量差距较大,分类器会偏向于多数类类别,样本数量多的类别分类准确率高,样本数量少的类别识别准确率不高。针对作物病害数据集不平衡,本研究将采用深度卷积生成对抗网络对少数类别的样本数据扩充,使每一类样本数量平衡,再利用卷积神经网络对平衡后的图像集进行分类。实现结果证明:本研究使用的数据平衡方法可有效扩充数据样本,提高了少数类别的分类准确率。