深度学习训练数据分布对植物病害识别的影响研究

摘要

【目的】通过调节训练集内实验室场景图片与田间场景图片的分布,提高深度学习模型的准确度,以减少植物病害识别深度学习模型对田间场景数据的依赖。【方法】通过调节训练集内实验室场景图片和田间场景图片的分布,使用ResNeSt-50、VGG-16、ResNet-50等3种神经网络结构分别对训练得到的深度学习模型进行测试和比较,从而优化植物病害识别模型。【结果】在由一定数量的植物病害图像组成的训练集内,调节其中不同场景图片的分布会对模型的准确率产生影响。当训练集内的田间场景图片分布达30%时,模型准确率提升18%以上。在100%实验室场景图片的训练集内添加30%田间场景图片,可提升模型准确率17%以上;在100%田间场景图片的训练集内添加实验室场景图片,模型准确率随图片数量增加而提升,提升幅度为2%~4%。【结论】该方法适用于农业复杂环境下高准确度病害识别模型的快速建立,可减少深度学习模型对田间场景数据的依赖,缩短模型建立初期的田间数据采集周期,降低田间数据采集成本,促进人工智能技术在无人农场及智慧农业中更有效地运用。