基于特征级与决策级融合的农作物叶片病害识别OA北大核心CSTPCD
针对单网络模型存在对数据产生学习偏好的缺陷,提出了一种基于多模型融合的农作物病害识别方法.该方法首先对4种主流卷积神经网络ResNet50、DenseNet121、Xception和MobileNetV2进行单模型性能评估,然后对这4种单模型分别进行特征级和决策级多模型融合,最终输出识别结果.特征级融合方法分别对每个子网络的最后输出特征层进行平均化、最大值化和拼接压缩融合,实现异质特征的高效互补;而决策级融合方法分别对每个子网络的输出概率进行最大化和平均化融合,实现概率分布决策的高效联合.在农作物病害数据集PDR2018上的试验结果表明:特征级融合明显优于决策级融合和单模型方法,且拼接压缩特征融合方法具有最高的识别准确率,达到了98.44%.此外该模型在PlantDoc数据子集和实际拍摄图像的跨库试验结果同样表明:特征融合方法比单模型方法具有更好的精度和泛化性能.
王梓衡;沈继锋;左欣;武小红;孙俊;
江苏大学电气信息工程学院,江苏镇江212013江苏科技大学计算机学院,江苏镇江212003
农业科学
农作物病害特征级融合决策级融合卷积神经网络泛化性能
《江苏大学学报（自然科学版）》 2024 (003)
P.286-294 / 9
国家自然科学基金资助项目(61903164);江苏省自然科学基金资助项目(BK20191427);江苏大学农业装备学部项目(NZXB20210210);江苏高校优势学科建设工程(三期)项目(PAPD-2018-87)。
评论