多卷积神经网络模型融合的农作物病害图像识别

来源：计算机技术与发展杂志2020年第08期北京时间：

作者：龚安;井晓萌

摘要：农作物病害是粮食安全的主要威胁,病害的诊断对于农业生产来说至关重要。 针对单一卷积神经网络在农作物病害识别上的局限性,分类准确率不高的问题,采用多个卷积神经网络模型融合的方式,对 10 种农作物的 27 种病害及其3 种病害程度的农作物叶子图片进行病害及病害程度的细粒度识别。首先选用 Resnet101、RestNext50、SE-ResNet50、 SERestNext50 这4 种网络模型运用迁移学习的方式,固定底层模型参数,修改顶层的全连接层进行训练,然后采用 Stacking方法将模型预测结果输入第二层元学习器 XGBoost, 最后对单模型预测结果和 Stacking 融合后的结果进行对比。 实验结果表明,经过模型融合后的准确率能达到 87. 19% ,具有较高的识别准确率及较强的鲁棒性,可以作为农作物病害的早期诊断方式,并可以进一步研究将该方法应用到真实的农业生产中。

关键词：农作物病害识别;模型融合;卷积神经网络;元学习器;迁移学习