1、论文信息
2、研究概述
选择了在ImageNet和Inception模块上预先培训的VGGNet。不是通过随机初始化权重来从头开始训练,而是在大型标记数据集ImageNet上使用预先训练的网络来初始化权重。相对于其他最先进的方法,所提出的方法表现出显著的性能改进;该方法在公共数据集上的验证准确率不低于91.83%。即使在复杂背景条件下,该方法对水稻图像的类预测平均准确率也达到92.00%。实验结果证明了该方法的有效性,并有效地实现了植物病害检测。
3、研究现状
在过去几十年中,广泛用于植物病害识别的主要分类技术包括knarest neighbor(KNN)(Guettari等人,)、支持向量机(SVM) (Deepa和Umarani,)、fisher线性判别(FLD) (Ramezani和Ghaemmaghami,)、人工神经网络(ANN) (Sheikhan等人,)、随机森林(RF) (Kodovsky等人,)等。
【1】马等(马等,)利用深度CNN对黄瓜霜霉病、炭疽病、白粉病和目标叶斑病4种病害进行了症状识别。识别准确率达到93.4%。
【2】川崎等(川崎等,)介绍了一种基于CNN的黄瓜叶部病害识别系统;实现了94.9%的准确率等。
【3】特别是深度迁移学习,它缓解了经典深度学习方法面临的问题,即解决方案包括使用预先训练的网络,其中只需要从头推断最后分类级别的参数(Kessentini等人,);