基于迁移学习和改进CNN的葡萄叶部病害检测系统

TP2%S24; 为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端.试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02％,单幅图像平均检测耗时为0.327 s.与未改进的VGG16模型相比,平均准确率提高了2.82％,平均检测耗时下降...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 37; no. 6; pp. 151 - 159
Main Authors 樊湘鹏, 许燕, 周建平, 李志磊, 彭炫, 王小荣
Format Journal Article
LanguageChinese
Published 新疆大学工程训练中心,乌鲁木齐 830047%新疆维吾尔自治区农牧机器人及智能装备工程研究中心,乌鲁木齐 830047 15.03.2021
械制造系统工程国家重点实验分室,乌鲁木齐 830047%新疆大学机械工程学院,乌鲁木齐 830047
新疆大学工程训练中心,乌鲁木齐 830047
新疆大学机械工程学院,乌鲁木齐 830047
新疆维吾尔自治区农牧机器人及智能装备工程研究中心,乌鲁木齐 830047
Subjects
病害
葡萄叶
卷积神经网络
手机识别系统
迁移学习
全局平均池化
智能诊断
图像识别
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2021.06.019

Cover

More Information
Summary:TP2%S24; 为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端.试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02％,单幅图像平均检测耗时为0.327 s.与未改进的VGG16模型相比,平均准确率提高了2.82％,平均检测耗时下降了66.8％,权重参数数量减少了83.4％.改进后的模型综合性能优于AlexNet、ResNet 50和Inception v3等模型.将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67％,平均检测耗时为0.357 s.该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2021.06.019