基于卷积神经网络的农作物种类自动识别算法研究

随着"互联网+"农业项目的推进,农业图像数据的采集越来越多样化,在数据的采集过程中也产生了大量无标签的农作物图像,图像数量极其庞大,已经达到无法人工识别的程度.通过人工采集大量农作物图像,利用卷积神经网络算法实现作物种类图像识别,在DenseNet121网络的基础上,通过对其参数进行优化调整,使用已采集的5类农作物数据集对其进行训练和测试,测试结果表明网络的识别率为99.3％.在此数据集上,与现有的一些经典分类识别模型进行了对比试验,其中Vgg16模型的识别率98.2％,ResNet50模型的识别率为92.4％,分别提升了1.1％和6.9％,模型识别率得到了一定提升.为了增强模型的可用性,实现作物种类图像识别的自动化,基于三种模型进行了作物图像识别系统设计.该系统对后期有针对性地对作物种类图像的长势、健康状况等实现智能决策管理具有一定的参考价值.