Volume 1,Issue 6
基于深度卷积神经网络的苹果叶片病害分类识别
本研究目的是解决苹果叶片病害识别中的难题，提出了一种基于集成深度卷积神经网络的创新解决方案。研究用的数据是Kaggle平台上Plant Pathology - 2020数据集,里面共有1821张图像，涵盖了黑星病、锈病、复合病害、健康叶片这四类。为了让数据更丰富,采用数据增强技术，像几何变换、色彩空间调整等，把数据集扩大到原来的1.8倍，后续进行标准化预处理，让分析能更准确。在研究方法上，采用集成学习框架，把VGG16、ResNet50和InceptionV3三种CNN模型各自优势相结合。在此之后，采用加权投票机制把这些模型的结果加在一起。针对数据不平衡的问题引入了SMOTE技术。这个技术能根据已有的样本生成合成样本，让四类样本的数量变得均衡，这就促使模型在训练的时候能多方面地学习各类特征，避免只关注样本多的类别而忽略样本少的类别。
[1] 翁杨, 曾睿, 吴陈铭. 基于深度学习的农业植物表型研究综述[J]. 中国科学: 生命科学, 2019, 49(6): 698-716.
[2] 袁培森, 黎薇, 任守纲. 基于卷积神经网络的菊花花型和品种识别[J]. 农业工程学报, 2018, 34(5): 152-158.
[3] WU J T, YANG G, YANG H, et al. Extracting apple tree crown in formation from remote imagery using deep learning[J]. Computers and electronics in agriculture, 2020, 174: 1-14.
[4] 帖军,隆娟娟,郑禄,牛悦,宋衍霖.基于SK-EfficientNet的番茄叶片病害识别模型8/15 [J].广西师范大学学报(自然科学版),2022,40(04):104-114.
[5] 乔岳. 深度卷积神经网络在玉米叶片病害识别中的应用研究[D].哈尔滨:东北农业大学博士学位论文, 2019.
[6] 张建华, 孔繁涛, 吴建寨. 基于改进 VGG 卷积神经网络的棉花病害识别模型[J].中国农业大学学报, 2018, (11): 161-171.
[7]Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[J]. Communications of the ACM,2017,60(6):84-90.
[8]Mohanty S P, Hughes D P, Salathé M. Using deep learning for image-based plant disease detection[J]. Frontiers in plant science,2016,7:1419.
[9] Chen J, Zhang D, Suzauddola M, et al. Identification of plant disease images via a squeeze‐and‐excitation MobileNet model and twice transfer learning[J]. IET ImagePro cessing,2021,15(5):1115-1127.
[10]Khan A I, Quadri S, Banday S. Deep Learning for Apple Diseases: Classification and Identification[J]. International Journal of Computational Intelligence Studies, 2021, 10(1): 1-15.
[11]Mohanty S P, Hughes D P, Salathe M. Using Deep Learning for Image-Based Plant Disease Detection[J]. Frontiers in Plant Science, 2016, 7(1419), 1-10.