基于改进区域卷积神经网络的田间玉米叶部病害识别

发布时间：2024-02-15 06:38

　　【目的】引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。【方法】在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。【结果】在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改...

【文章页数】：10 页

【文章目录】：
1 材料与方法
    1.1 数据集的获取
    1.2 数据集预处理
    1.3 改进区域卷积神经网络病害检测模型
        1.3.1 Faster R-CNN结构及特点
        1.3.2 Faster R-CNN算法的改进
    1.4 试验环境
    1.5 模型训练方法
    1.6 试验评价指标
2 结果与分析
    2.1 不同特征提取网络的识别性能
    2.2 识别结果与混淆矩阵
    2.3 不同天气条件下测试集的识别效果
    2.4 与其他分类算法的对比试验结果
3 讨论与结论



本文编号：3899389