1 引 言
2 数据来源及预处理
2.1 试验数据集
2.2 数据预处理
2.2.1 普通数据增强
2.2.2 Mixup混合增强
3 识别模型构建
3.1 MobileNetV3模型
3.2 迁移学习
3.3 MobileNetV3模型的改进
3.3.1 多层感知机
3.3.2 空洞卷积
3.3.3 GLU函数
4 结果与分析
4.1 试验环境
4.2 迁移方法验证
4.3 MobileNetV3迁移模型在不同试验方案下的识别结果
表1 四种对比方案的番茄病害识别精度Table 1 Identification accuracy of four comparison schemes on tomato disease identification |
损失函数 | 方案 | 数据增强 方式 | 测试准确率/% | 损失值/% |
---|---|---|---|---|
Focal loss | F | 普通增强 | 94.31 | 28.59 |
FX | Mixup混合增强 | 94.68 | 27.12 | |
Cross entropy loss | C | 普通增强 | 94.26 | 33.59 |
CX | Mixup混合增强 | 94.57 | 32.98 |
4.4 基于迁移学习的MobileNetV3改进前后结果对比
4.4.1 模型识别性能的提升
表2 四种迁移学习算法对番茄病害的识别结果Table 2 Recognition results of four transfer learning algorithms of tomato leaves |
模型 | 数据规 模/MB | 测试准确率/% | 单张图像 检测时间/s |
---|---|---|---|
迁移VGG16 | 98.38 | 86.62 | 0.57 |
迁移ResNet50 | 92.14 | 89.95 | 1.54 |
迁移Inception-V3 | 506.28 | 90.26 | 0.55 |
迁移MobileNetV3 | 43.57 | 94.68 | 0.39 |
迁移 + 改进MobileNetV3 | 46.73 | 98.25 | 0.27 |
4.4.2 各类别病害识别准确率的提高
表3 改进MobileNetV3对番茄叶片病害测试准确率Table 3 Test accuracy of improved MobileNetV3 for tomato leaf diseases |
标签 | 类别 | 改进前/% | 改进后/% |
---|---|---|---|
0 | 细菌病 | 95.94 | 98.20 |
1 | 早疫病 | 95.83 | 98.19 |
2 | 晚疫病 | 97.97 | 99.21 |
3 | 叶霉病 | 89.95 | 97.70 |
4 | 七星叶斑病 | 96.28 | 99.22 |
5 | 靶斑病 | 96.07 | 98.02 |
6 | 双斑蜘蛛 | 90.90 | 97.21 |
7 | 花叶病毒 | 94.89 | 98.47 |
8 | 黄曲叶病 | 95.08 | 97.37 |
9 | 健康 | 93.92 | 98.93 |