基于深度卷积神经网络的农作物病害识别

1、研究思路

运用深度学习的方法，基 于ＲesNet-50以及 InceptionV3、MobileNet等神经网络，并在这些基础结构上改进部分模型。该研 究主要从两个方面对卷积神经网络进行优化，一个是模型结构，另一个是训练标签优化。模型训练基于迁移学习( Transfer Learning) 的思想，在训练过程中，不断调整模型的超参数，并使用优化算法最终完 成作物病害识别并比较每种算法的性能。

2、数据预处理

获得批量数据之后，然后对这个批量数据进行增强，如: 图片随机水平翻转、图片随机垂直翻转、以图像中心为旋转中心按( － 30° ～ 30°) 旋转图像等。同时并对图片进行尺寸大小的调整，并将图片 ＲGB 三通道归一化到［－ 1， 1］。图像归一化能够使所有图像的分布相似，能够使得训练的时候更容易收敛，加快收敛速度，减少模型训练时间。

3、迁移学习

模型训练的初始参数为神经网络结构在 ImageNet( 数据集)上预先训练好的参数，并将模型最后的输出神经元改为农作物病害种类数 59 个。运用预先训练好的参数能够提高模型训练的性能。

4、二元交叉熵损失函数

对于图像分类问题，一般都采用交叉熵作为损失函数，而在实际的训练过程当中，通常为了防止过拟合的发生会采用 L2 正则化。

5、优化算法

本文中梯度优化算法采用 Adam ( Adaotive Moment E