基于改进的ResNet34网络和迁移学习的油菜根肿瘤分级方法

针对传统油菜根肿瘤分级方法精准性差、效率不高等问题,提出了一种基于改进的ResNet34网络和迁移学习的油菜根肿瘤分级算法。利用数据增强技术对采集的油菜根肿瘤图像进行样本数据的扩充,在ResNet34模型的基础上,选择不同的位置增加SE(Squeeze-and-Excitation)注意力分支,强化ResNet34对油菜根部病害区域的特征识别能力,提高网络识别油菜根肿瘤的精度,最后利用迁移学习的方法将预训练的参数权重迁移到所提模型进行训练,提高训练速度。试验以油菜5类常见的根肿瘤分级标准(N0~N4)为主要研究对象,并与原始的ResNet34算法模型进行比较。试验结果表明,所提SE_ResNet34_Qianyi模型对油菜根肿瘤的分级准确率可达86.39%,高于ResNet34_Qianyi(84.90%)和ResNet34(54.15%),可有效提取油菜根肿瘤特征,增强对多类根肿瘤级别的识别,提高识别准确率。