一种基于改进卷积神经网络的玉米病害高效识别模型

目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题,提出一种改进的卷积神经网络模型,以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型,利用Dropout策略、L2正则化、早停法等优化网络,通过设置不同的初始学习率和批大小,对复杂环境下的6种典型的玉米病害进行分类试验研究,并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.0077 s。与对比模型相比,新模型的识别时间最短,测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.8052、0.1578,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点,为玉米病害的精准高效识别提供了新的方法。

一种马铃薯病害神经网络识别方法

目的:为解决马铃薯病害识别效率低和识别效果差等问题,构建一种基于卷积神经网络的马铃薯病害识别模型,以期获得更好的识别性能。方法:以卷积神经网络为基础,通过融入抑制神经元、批归一化等方法优化网络结构,提高网络的泛化能力,抑制过拟合等;选取马铃薯两种病害和健康图像作为研究对象,对图像进行增强、归一化等处理,以8∶2的比例构建训练集和测试集对模型进行训练和测试。结果:该模型在精确率、召回率和调和均值评价指标上均优于对比模型,其收敛速度快,泛化能力强且鲁棒性好,与对比的模型相比具有更好的识别效果。结论:该方法为马铃薯病害的高效识别提供了新的途径。