基于卷积神经网络和迁移学习的瓯柑病虫害识别研究

传统的瓯柑病虫害检测方式主要依靠人工肉眼查看，效率较低，而且需要检测人员具备丰富的专业知识。针对这些问题，文章提出了基于卷积神经网络和迁移学习的瓯柑病虫害识别方法。首先选取Xception、InceptionResNetV2、MobileNetV2、DenseNet121四种深度卷积模型，然后采用迁移学习策略，将各个模型在PlantVillage数据上训练得到预训练模型，迁移到瓯柑病虫害识别模型中，并对比各个模型的识别性能。结果表明：（1）迁移学习能够大大提高模型的泛化能力，经过迁移学习后，4种模型在瓯柑病虫害训练集和验证集上的准确率均达到了85%以上，其中Xception迁移模型表现最好，准确率在训练集和验证集上分别为99.3%,97.1%;(2)在测试集上，Xception迁移模型的整体性能优于其他3种迁移模型，总体测试准确率达到了97.38%，精确率、召回率和F1 Score也均达到了97%以上。综上所述，Xception迁移模型识别精确率高，实用性强，可为今后瓯柑病虫害防控提供参考。