科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对大多数深度卷积神经网络(DCNN)模型存在内存占用较多、计算资源消耗大的问题,提出一种基于改进深度残差网络(DRN)的番茄病害图像识别方法。该网络模型在传统残差神经网络的基础上,采用多尺度卷积代替原始网络结构中的单一尺度卷积,使得提取的特征更加丰富,并拓展了网络宽度,避免因网络过深引起的退化问题。为了进一步降低模型对内存占用的需求,用深度可分离卷积替换部分标准卷积,在不损失网络性能的前提下减少模型参数。为验证改进后深度残差网络模型提升番茄病害识别性能的有效性,对获得的有限番茄病害叶片图像数据集进行了样本扩充,并基于扩充后的数据集使用改进模型与几个常见深度神经网络模型进行对比实验。结果表明,改进后的深度残差网络模型可以很好地实现番茄病害的识别,平均测试识别准确率达到98.58%,且训练后的模型仅占19.0 MB,有助于将来在低性能终端上实现对番茄病害的实时诊断。
- 单位
