典型文献
基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别
文献摘要：
番茄病害的及时检测可有效提升番茄的质量和产量.为实现番茄病害的实时无损伤检测,本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法.首先选择轻量级卷积神经网络Mobile?NetV3,在Image Net数据集上进行预训练,将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理.采用相同的训练方法对VGG16、ResNet50和Inception-V3三种深度卷积网络模型也进行迁移学习并进行对比,结果显示MobileNetV3的总体学习效果最好,在Mixup混合增强和focal loss损失函数下对10类番茄病害的平均测试识别准确率达到94.68％.在迁移学习的基础上继续改进MobileNetV3模型,在卷积层引入空洞卷积和感知机结构,采用GLU(Gated Liner Unit)闸门机制激活函数,训练得到最佳的番茄病害识别模型,平均测试的识别准确率98.25％,模型的数据规模43.57 MB,单张番茄病害图像的检测耗时仅0.27 s.经十折交叉验证(10-Fold Cross-Validation),模型的鲁棒性良好.本研究可为番茄叶片病害的实时检测提供理论基础和技术支持.
文献关键词：
番茄病害识别;卷积神经网络;迁移学习;MobileNetV3;激活函数;识别分类
中图分类号：
作者姓名：
周巧黎;马丽;曹丽英;于合龙
作者机构：
吉林农业大学信息技术学院,吉林长春130118
文献出处：
引用格式：
[1]周巧黎;马丽;曹丽英;于合龙-.基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别)[J].智慧农业（中英文）,2022(01):47-56
A类：
微调处
B类：
轻量级卷积神经网络,MobileNetV3,番茄叶片,叶片病害,无损伤,损伤检测,病害分类识别,Image,预训练,练得,共享参数,参数迁移,训练方法,VGG16,ResNet50,Inception,深度卷积网络,迁移学习,Mixup,混合增强,focal,loss,损失函数,识别准确率,卷积层,空洞卷积,感知机,GLU,Gated,Liner,Unit,闸门,门机制,激活函数,番茄病害识别,识别模型,MB,单张,病害图像,十折交叉验证,Fold,Cross,Validation,实时检测,识别分类
AB值：
0.346638
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
