基于多尺度特征融合的柑橘病虫害图像识别方法

针对基于传统机器学习与简单神经网络的病虫害识别方法对于具有小样本、 数据不均衡、 特征演变(黄龙病不同病害阶段的特征差异较大)、 特征不明显和多类别等特点的柑橘病虫害识别效果不理想的问题,设计了一种基于VGG19改进的VGG19-INC模型.该模型以VGG19网络模型为骨干网络并利用迁移学习实现预训练权重参数的共享;模型结构使用1个批标准化卷积层和2个Inception模块替换VGG19的第5卷积层;使用1个全局池化层替换VGG19模型的全连接层,使用一个1×4的Softmax层作为分类输出层.所提模型不仅保留了VGG19对图像特征的有效提取,还利用Inception模块增加了网络的深度与宽度,使模型获得了不同大小的感受野,实现了多尺度特征的融合;全局池化层对全连接层的替换,使参数减少率达到了70.56％,有效地提高了模型的训练速度与平均测试速度,降低参数负载.试验结果表明,VGG19-INC对柑橘(沙田柚)黄龙病、 潜叶蛾和线虫病等病虫害识别准确率为98.47％,比VGG19,Resnet50,Inceptionv3,Densenet201模型分别高22.26％,14.47％,5.18％和0.24％;损失值为0.0415,比其他模型分别低1.1085,0.2172,0.3987,0.0654,并具有良好的泛化能力.