深度迁移学习在花生叶部病害图像识别中的应用

1、论文思路

首先迁移 Inception-v3 模型在茶叶叶部病害图像数据集上进行微调， 然后将微调所得模型迁移至花生叶部病害图像数据集上继续训练。实验结果表明，Inception-v3、VGG19、ResNet50、 卷积神经网络和微调卷积神经网络在测试集上的准确率分别为 94.1%、92.9%、93.2%、80.3%和 87.0%，本文提出的 方法准确率为 95.3%。在花生叶部病害图像数量有限时，本文提出的方法识别准确率显著提高。

提出了一种基于微 调策略的 Inception-v3（Finetuning-Inception-v3）花生叶部病害图像识别方法。

Brahimi 等基于番茄叶部病害图像数据集对 AlexNet 模型进行调整，不仅具有较高的识别准确率，而且在一 定程度上减少了由病斑分割对识别效果造成的影响。

2、实验数据

其次由于受到发病率和发病地区等影响，每 类病害图像数400~2000 张不等，为减少因数据集中图像数量不均造成的模型泛化能力的影响，对 图像数量较少的类别进行图像增强。利用 Python 对图像进行翻转、旋转等操作以增加样本的多样性。 最终获得 6700 余张图像，并划分训练集、验证集和测试集。

3、预训练模型

预训练模型是针对某一特定任务，基于大型数据 集（如 ImageNet）上训练而得的模型。当解决类似任务时，不需要构建海量数据集，也不需要重新 构建模型，只需将预训练模型迁移到新的任务中，根据任务对模型进行微调即可。

**