科研之友
微信
新浪微博
Facebook
分享链接
摘要
在深度学习中，番茄叶部病害图像识别模型往往采用传统的卷积神经网络，虽然识别率高、性能好，但存在参数量大、成本高、训练时间长等问题，在硬件资源受限的环境条件下局限性较大，难以部署到移动设备、嵌入式设备等终端。基于此，在ResNet18的主体结构上，通过增加特征提取尺度、更新残差层连接方式、分解大卷积核等操作，采用了一种改进型的病害识别模型——Multi-scale ResNet。在减少参数量的同时降低了空间存储开销。试验结果表明，与ResNet18相比，在准确率相差不大的情况下，模型的训练参数减少约99%。提出的改进型网络在保证精确度的前提下降低了模型的复杂度，使番茄叶部病害识别模型在硬件资源受限的条件下仍可以运行部署，更具有普适性。
