【目的】引入?yún)^(qū)域卷積神經(jīng)網(wǎng)絡Faster R-CNN算法并對其改進,以實現(xiàn)在田間真實環(huán)境下背景復雜且具有相似病斑特征的玉米病害的智能診斷�！痉椒ā吭谟衩滋镩g和公開數(shù)據(jù)集網(wǎng)站獲取具有復雜背景的9種常見病害圖像1 150幅,人工標注后對原始圖像進行離線數(shù)據(jù)增強擴充;對Faster R-CNN算法進行適應性改進,在卷積層加入批標準化處理層,引入中心代價函數(shù)構建混合代價函數(shù),提高相似病斑的識別精度;采用隨機梯度下降算法優(yōu)化訓練模型,分別選取4種預訓練的卷積結構作為Faster R-CNN的特征提取網(wǎng)絡進行訓練,并測試得到最優(yōu)特征提取網(wǎng)絡,利用訓練好的模型選取不同天氣條件下的測試集進行對比,并將改進Faster R-CNN與未改進的Faster R-CNN和SSD算法進行對比試驗。【結果】在改進Faster R-CNN病害識別框架中,以VGG16卷積層結構作為特征提取網(wǎng)絡具有更出色的性能,利用測試集圖像檢驗模型,識別結果的平均精度為0.971 8,平均召回率為0.971 9,F1為0.971 8,總體平均準確率可達97.23%;晴天的圖像識別效果優(yōu)于陰天的。改進Faster R-CNN算法與未改...

【文章頁數(shù)】：10 頁

【文章目錄】：
1 材料與方法
    1.1 數(shù)據(jù)集的獲取
    1.2 數(shù)據(jù)集預處理
    1.3 改進區(qū)域卷積神經(jīng)網(wǎng)絡病害檢測模型
        1.3.1 Faster R-CNN結構及特點
        1.3.2 Faster R-CNN算法的改進
    1.4 試驗環(huán)境
    1.5 模型訓練方法
    1.6 試驗評價指標
2 結果與分析
    2.1 不同特征提取網(wǎng)絡的識別性能
    2.2 識別結果與混淆矩陣
    2.3 不同天氣條件下測試集的識別效果
    2.4 與其他分類算法的對比試驗結果
3 討論與結論



本文編號：3899389