基于迁移学习和改进残差网络的复杂背景下害虫图像识别

在农业生产中,虫害已经成为影响作物产量和质量的主要威胁之一,针对传统识别方法对复杂背景下虫害图像识别准确率和效率低等问题,本研究提出一种基于迁移学习和改进残差网络的虫害图像识别方法.首先,利用数据增强技术对采集的橘小实蝇虫害图像进行样本数据的扩充;再在ResNet-34模型的基础上,增加了 2个注意力模块层,并重新设计了全连接层模块,获得能够改进后的网络模型;最后利用迁移学习的方法将预训练的参数权重迁移到本模型中进行训练,并在试验过程中分析学习方式、样本量、学习率、批量大小等参数对模型性能的影响.结果表明,采用旋转、翻转和亮度变换操作对图像进行数据扩充的数据集,在训练模型的全部层的迁移学习方法中获得99.77％的测试准确率.本研究提出的模型具有较高的识别准确率和较强的鲁棒性,可为实现复杂背景下虫害的识别提供参考.