基于卷积神经网络与迁移学习的油茶病害图像识别

被引:141
作者
龙满生
欧阳春娟
刘欢
付青
机构
[1] 井冈山大学电子与信息工程学院
[2] 流域生态与地理环境监测国家测绘地理信息局重点实验室
关键词
病害; 分类; 作物; 油茶病害; 图像识别; 深度学习; 迁移学习;
D O I
暂无
中图分类号
S763.7 [各种树的病虫害及其防治]; TP391.41 [];
学科分类号
0904 ; 080203 ;
摘要
传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。
引用
收藏
页码:194 / 201
页数:8
相关论文
共 19 条
[11]  
油茶病虫害诊断与防治原色生态图谱[M]. 广东科技出版社 , 赵丹阳, 2015
[12]  
油茶病虫害防治[M]. 中国林业出版社 , 黄敦元, 2010
[13]  
Identification of rice diseases using deep convolutional neural networks[J] . Yang Lu,Shujuan Yi,Nianyin Zeng,Yurong Liu,Yong Zhang.Neurocomputing . 2017
[14]  
Deep Learning for Tomato Diseases: Classification and Symptoms Visualization[J] . Brahimi,Boukhalfa,Moussaoui.Applied Artificial Intelligence . 2017 (4)
[15]  
Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification[J] . Srdjan Sladojevic,Marko Arsenovic,Andras Anderla,Dubravko Culibrk,Darko Stefanovic,Marc Van Hulle.Computational Intelligence and Neuroscience . 2016
[16]  
Digital image processing techniques for detecting, quantifying and classifying plant diseases[J] . Jayme Garcia Arnal Barbedo.SpringerPlus . 2013 (1)
[17]  
Fast and Accurate Detection and Classification of Plant Diseases[J] . Al Hiary H.,Bani Ahmad S.,Reyalat M.,Braik M.,ALRahamneh Z..International Journal of Computer Applications . 2011 (1)
[18]   基于模糊C均值聚类的作物病害叶片图像分割方法研究 [J].
毛罕平 ;
张艳诚 ;
胡波 .
农业工程学报, 2008, (09) :136-140
[19]   基于颜色与形状特征的甘蔗病害图像分割方法 [J].
赵进辉 ;
罗锡文 ;
周志艳 .
农业机械学报, 2008, (09) :100-103+133