基于空洞卷积残差网络的作物害虫图像分类方法
DOI: http://dx.doi.org/10.12349/tie.v3i6.10778
Article ID: 10778
摘要
针对传统卷积神经网络在作物害虫图像分类中易过拟合、泛化能力不足的问题，提出一种基于空洞卷积残差网络（Dilated Convolution Residual Network, DCResNet）的分类方法。系统评估ResNet-18、ResNet-34和ResNet-50在害虫图像数据集上的性能，分析模型深度、超参数及数据增强对分类效果的影响。实验结果表明，ResNet-18达到82.16%的识别准确率，优于ResNet-34（79.83%）和ResNet-50（71.24%）。最优超参数组合为学习率0.001、批量大小64，数据增强使准确率提升6.23%。该方法可为农作物害虫智能识别提供有效技术支持。
关键词
残差网络；害虫分类；图像识别
参考
孙俊, 谭文军, 毛罕平, 等. 基于改进卷积神经网络的农作物病虫害识别研究[J]. 农业机械学报, 2017, 48(11): 78-85.
张建华, 孔繁涛, 吴建寨, 等. 基于改进VGG16网络的农作物害虫识别方法[J]. 农业工程学报, 2019, 35(10): 148-155.
周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251.
Szegedy C, Ioffe S, Vanhoucke V, et al. Inception-v4, inception-resnet and the impact of residual connections on learning[C]. AAAI Conference on Artificial Intelligence. 2017, 31(1).
蒋心璐, 陈天恩, 王聪, 等. 农业害虫检测的深度学习算法综述[J]. 计算机工程与应用, 2023, 59(6): 30-44.
Refbacks
- 当前没有refback。
版权所有（c）2026 王 喜军
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。
