基于改进深度神经网络的农作物病害识别研究.pdf

《基于改进深度神经网络的农作物病害识别研究》这篇论文主要探讨了如何运用深度学习和迁移学习技术提高农作物病害的识别准确性。作者提出了一种名为M25Net的新型模型，该模型基于MobileNet并进行了优化，尤其适用于农作物病害的识别。 文章指出农作物病害识别的重要性，由于病害可能导致粮食产量下降，快速准确的检测至关重要。传统方法依赖于专家或相关部门，但随着人工智能和计算机视觉的发展，研究人员开始利用这些技术开发自动化检测系统。深度学习在此领域发挥了关键作用，例如Carranza等人和Kawasaki等人已经成功地应用深度学习技术进行植物病害识别。 M25Net模型的构建是论文的核心。它通过深度倍增器将MobileNet的网络深度压缩至原版的25%，以提高模型的计算效率和识别速度。同时，为了应对数据集中的类别不平衡问题（某些病害图像较少），论文采用了迁移学习策略。利用在ImageNet上预训练的MobileNet权重，以加速模型训练和防止过拟合。在模型改进过程中，特征提取器的底层权重被固定，而顶层权重则随训练动态更新，这被称为Fine-tuning。 实验部分，M25Net模型在55448张标注的农作物病害图像上进行训练，包括14个物种、25种病害和1类背景图像。数据预处理采用了数据增强技术，如随机旋转和翻转，以提升模型的泛化能力。最终，M25Net模型的识别准确率达到了99.67%。为了验证其性能，M25Net与其他几种知名深度学习模型（如MobileNet、InceptionV1-V3、ResNet 50/101/152）进行了对比，结果显示M25Net在识别精度上有显著提升，提高了1.89%到4.86%，增强了对农作物病害类型的泛用性。 这篇论文提出了一个创新的深度学习模型M25Net，通过改进MobileNet并结合迁移学习，有效解决了农作物病害识别中的挑战，提高了识别效率和准确性。这一研究对于农作物病害的早期检测和防治具有重要的实践意义，也为后续的农业智能系统开发提供了理论和技术支持。