基于ResNet和ViT双流网络的小麦病虫害识别

针对小麦病虫害识别过程中,传统深度学习模型表现不稳定、识别精度低、泛化能力有限的现状,提出了新的双流网络模型,即结合ResNet和ViT以提高识别准确性。该方法融合了卷积神经网络处理图像局部结构,同时利用Transformer捕捉长距离依赖关系,改进了识别性能。通过2070张小麦病虫害图片数据集训练验证,调整ResNet50和ViT预训练模型参数,结果显示,双流模型在训练集上达96.5%准确率,在验证集获0.94的F_(1)分数,明显优于其他主流单一模型。结果证实,新模型在小麦病虫害识别卓越性能,为其在智能农业系统中广泛应用提供潜力。

基于卷积神经网络和迁移学习的小麦病虫害识别

为实现对小麦病虫害的高效识别检测,构建了小麦病虫害精准识别网络模型。首先,利用AlexNet、VGGNet16、Inception-V3等3种类型的卷积神经网络构建了3种小麦病虫害分类模型,通过对模型平均识别准确率和处理速度两个指标的对比,优选出VGGNet16作为基础网络。然后,通过添加随机噪声和随机滤波、随机旋转和随机色彩抖动对训练集进行数据扩充,基于数据扩充前后的样本集,对VGGNet16网络进行仅训练全连接层和训练所有层两种方式的迁移学习,并分别在渐变学习率和不变学习率条件下进行训练。训练结果表明:数据扩充有助于增加数据的多样性,避免出现过拟合现象;训练所有层的迁移学习方式能够明显提高模型的分类准确性;渐变学习率可以有效加快模型的收敛;基于扩充数据集,使用训练所有层的迁移学习方法,在渐变学习率条件下训练的模型效果最佳,平均识别准确率高达95%,说明该模型在小麦病虫害精准识别上具有广泛的应用前景。