基于 CNN 和迁移学习的农作物病害识别方法研究
1、研究思路
采用互联网公开的 ImageNet 图像大数据集和PlantVillage 植物病害公共数据集， 以实验室的黄瓜和水稻病害数据集 AES-IMAGE 为对象开展相关的研究与试验。 首先将批 归 一 化 算 法 应 用 于 卷 积 神 经 网 络 CNN 中 的 AlexNet 和 VGG 模 型 ， 改 善 网 络 的 过 拟 合 问 题 ； 再 利 用PlantVillage 植物病害数据集得到预训练模型， 在改进的网络模型 AlexNet 和 VGG 模型上 AES-IMAGE 对 预训练模型参数调整后进行病害识别。 最后， 使用瓶颈层特征提取的迁移学习方法， 利用 ImageNet 大数据集训练出的网络参数， 将Inception-v3 和 Mobilenet 模型作为特征提取器， 进行黄瓜和水稻病害特征提取。
表明使用 VGG 网络参数微调的策略可获得的最高准确率为98.33%， 使用 Mobilenet 瓶颈层特征提取的策略可获得 96.8%的验 证准率。
2、CNN 网络改进
将批归一化算法引入 Alexnet 和 VGG 网络模 型中的全连接层中进行改进。 批归一化算法能起到减少过拟合现象的作用。
究对 Alexnet 和 VGG 网络模型进行了改 进， 将批归一化算法引入两个网络模型中的全连接层部分
