文献类型：期刊文章

作　　者：李子茂[1,2] 徐杰[1,2] 郑禄[1,2] 帖军[1,2] 于舒[1,2]

Li Zimao;Xu Jie;Zheng Lu;Tie Jun;Yu Shu(College of Computer Science,South-Central University for Nationalities,Wuhan 430074,China;Hubei Provincial Engineering Research Center for Intelligent Management of Manufacturing Enterprises,Wuhan 430074,China)

机构地区：[1]中南民族大学计算机科学学院,武汉430074 [2]湖北省制造企业智能管理工程技术研究中心,武汉430074

出　　处：《农业工程学报》

基　　金：湖北省技术创新专项重大项目(2019ABA101);湖北省科技重大专项(2020AEA011);武汉市科技计划应用基础前沿项目(2020020601012267)。

年　　份：2022

卷　　号：38

期　　号：10

起止页码：182-190

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对茶叶病害识别的传统方法费工费时,同时由于茶叶病害样本小且分布不均导致传统卷积神经网络不能准确快速识别的问题,提出一种基于迁移学习的SE-DenseNet-FL茶叶病害识别方法。SE-DenseNet-FL以DenseNet模型为基础,首先在DenseNet网络结构中融入SENet(Squeeze-and-ExcitationNetworks)模块,以加强重要特征传播实现特征重标定;其次引入Focal Loss函数替换原DenseNet中的损失函数,使模型在训练时专注于难分类的样本,以缓解样本分布不均给模型带来的性能影响;最后利用PlantVillage数据集预训练取得预训练模型,通过迁移学习在预训练模型上使用自建茶叶病害数据集进行参数微调,以缓解样本数据过少带来的过拟合影响。通过与原模型DenseNet以及其他经典分类模型(AlexNet、VGG16、Res Net101)进行试验对比,结果表明基于迁移学习的SE-DenseNet-FL在小样本及样本分布不均情景下对茶叶病害的识别准确率达到92.66%。该模型具有较高的识别准确率与较强的鲁棒性,可为茶叶病害智能诊断提供参考。

关 键 词：茶叶 病害 迁移学习  图像识别 DenseNet  

分 类 号：TP391.4]