应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展。利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数...应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展。利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、识别效果及计算速度的对比。通过对比发现:Xception模型的计算准确率比较高,计算复杂度稍复杂些;当应用场景对计算准确率的要求不是很高的情况下,ShuffleNet V20.5x模型在计算复杂程度、计算速度的综合表现相对较好,比较适合在移动端进行移植;接着,通过对ShuffleNet V20.5x采用ReLU和LeakyReLU激活函数进行训练和验证分析,发现当采用LeakyReLU激活函数替代原有的ReLU激活函数构建Shuffle Net V20.5x模型,可以改进Shuffle Net V20.5x模型,并能稍微提高识别的准确率,由85.6%提高到86.5%。最后将改进后的ShuffleNet V20.5x模型,移植到移动终端并进行测试。展开更多
文摘应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展。利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、识别效果及计算速度的对比。通过对比发现:Xception模型的计算准确率比较高,计算复杂度稍复杂些;当应用场景对计算准确率的要求不是很高的情况下,ShuffleNet V20.5x模型在计算复杂程度、计算速度的综合表现相对较好,比较适合在移动端进行移植;接着,通过对ShuffleNet V20.5x采用ReLU和LeakyReLU激活函数进行训练和验证分析,发现当采用LeakyReLU激活函数替代原有的ReLU激活函数构建Shuffle Net V20.5x模型,可以改进Shuffle Net V20.5x模型,并能稍微提高识别的准确率,由85.6%提高到86.5%。最后将改进后的ShuffleNet V20.5x模型,移植到移动终端并进行测试。
