基于改进深度卷积神经网络的苹果病害识别

传统的深度卷积神经网络(DCNNs)使用3个全连接层将经过多次卷积层和池化层后提取到的特征图映射并连接为一个特征向量,然后利用Softmax分类器进行分类。该模型容易出现过拟合问题,而且由于在全连接层中参数太多,导致训练时间增加和泛化能力下降。针对传统的DCNNs模型在图像识别中出现的问题,提出一种改进的DCNNs模型,并应用于苹果叶部病害识别中。相比传统的DCNNs算法,改进的DCNNs利用一个全局平均池化层替代全连接层,并利用改进的Softmax分类器进行病害类别识别。在苹果病害叶片图像数据库上的实验结果表明,该模型能够克服过拟合问题,提高病害的识别率,大幅度降低模型的训练和识别时间。

国家自然科学基金(61473273); 河南省教育厅科技攻关项目(182102210544,182102311094);

苹果病害; 图像识别; 深度卷积神经网络; 全局平均池化;

10.13360/j.issn.2096-1359.2019.04.016

TP391.41;TP18;S436.611.1

117107-11262102K
在线咨询 用户反馈