典型文献
基于改进DenseNet卷积神经网络的番茄叶片病害检测
文献摘要：
针对传统的图像识别方法存在人工提取特征困难、识别耗时长和准确率低等问题,本研究以感染病害的番茄叶片和健康番茄叶片共10类图像为研究对象,提出了1种迁移学习和DenseNet卷积神经网络相结合的模型,实现了对番茄叶部病害的准确分类.首先将所有的图像数据进行预处理修改尺寸,对部分数量不均衡样本作随机变换;然后将DenseNet网络从ImageNet数据集上学习获得的先验知识应用到番茄病害图片数据集上,进而构建出基于迁移学习的深度卷积网络,经过微调训练得到番茄叶部病害识别模型.结果表明,该模型与AlexNet网络、VGG网络+迁移学习和MobileNet网络+迁移学习3种深度卷积模型相比,识别精度更高,测试准确率达到97.76％,实现了对10种番茄叶部图像的有效分类,为番茄等农作物病害的识别技术以及智慧农业的发展提供了新的思路与方法.
文献关键词：
图像识别;番茄;病害;迁移学习;DenseNet卷积神经网络
中图分类号：
作者姓名：
牛学德;高丙朋;南新元;石跃飞
作者机构：
新疆大学电气工程学院,乌鲁木齐 830047
文献出处：
引用格式：
[1]牛学德;高丙朋;南新元;石跃飞-.基于改进DenseNet卷积神经网络的番茄叶片病害检测)[J].江苏农业学报,2022(01):129-134
A类：
B类：
DenseNet,番茄叶片,叶片病害,病害检测,图像识别,提取特征,感染病,迁移学习,叶部病害,图像数据,不均衡样本,机变,ImageNet,先验知识,知识应用,番茄病害,图片数据,深度卷积网络,微调训练,练得,病害识别,识别模型,AlexNet,VGG,MobileNet,识别精度,农作物病害,智慧农业,思路与方法
AB值：
0.361294
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
