基于卷积神经网络的玉米叶片疾病识别研究

玉米是我国农业经济发展的重要粮食作物，本文针对玉米叶片图像的病害识别与分类作为切入点，深入研究Inception模型在该领域的应用。针对现有的玉米叶数据集，研究了数据增强的方法，并以此来扩充数据集大小，以解决训练模型带来的泛化性能差等问题，实验证明，通过旋转、翻折、高斯噪声等扩充数据集对提升网络训练效果有积极作用。针对传统Inception模型存在的识别准确率低的问题，引入了卷积注意力机制CBAM以提高模型对重要特征的提取能力，在玉米叶数据集中的实验结果显示，改进后的CBAM-Inception模型相比于基线模型及VGG模型都大有提高，其准确率为96.88%。基于训练的模型参数、结合PyQt5应用程序开发框架完成了自动识别玉米叶疾病的应用程序，可以实现对玉米叶图像疾病识别。