1、研究思路
该模型是使用迁移学习创建的,并用resnet 34和resnet 50进行了实验,以证明区分学习给出了更好的结果。该方法为所使用的数据集获得了最新的结果。主要目标是降低检测植物疾病的专业帮助,并使尽可能多的人能够使用该模型。
使用迁移学习,以resnet 34和resnet 50为基础模型。我们用大约4000幅图像训练了这个模型。我们获得了99.44%的准确率,这是该数据集的当前技术水平。
2、研究背景
为了开发用于植物病害检测目的的图像分类器,需要健康和患病植物的大的且经过验证的数据集。直到plantvillage这样的数据集不可用。
RGB和灰度图像在植物叶片病害检测中的应用Padmavathi和Thangadurai的研究给出了RGB和灰度图像在叶片病害检测过程中的比较结果。颜色是检测受感染叶片的重要特征。他们考虑了灰度和RGB图像,并使用中值滤波进行图像增强和分割,以提取用于识别疾病强度的患病部分。他们从健康的叶子中识别出13种不同的疾病,这些疾病有能力从叶子中区分出周围的环境。
3、实验
迁移学习是使用resnet 34和resnet 50完成的。获得的数据集有4000多幅图像,这些图像根据植物类型和疾病类型分为不同的类别。预处理包括数据扩充。图像经过翻转、扭曲和变换,使数据集更加通用。
辨别学习
通过使用区别性学习来训练由resnet创建的CNN模型。在执行学习速率的超参数调整后,只对新添加的层进行初始训练。