基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

[目的]研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率.[方法]基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练.采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集.随机选取验本集中80％的图像样本作为训练集,剩余20％作为测试集.[结果]迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9％.[结论]在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值.