一種基于彩票遷移的稀疏網絡植株病蟲害識別模型

張 旭，陳志奎,李秋岑，李 朋，高 靜

(大連理工大學 軟件學院,遼寧 大連 116620)

植株病蟲害的識別是農業生產中一項重要的工作，需要及時準確地對病害狀況進行檢測，從而采取有效的防治措施。傳統方法依賴經驗進行人工觀察和鑒定，準確率和效率都不盡人意[1]。應用計算機技術對病蟲害進行自動識別，是實現智慧種植中不可或缺的一環。早期方法基于機器學習的分類方法，在小規模數據集上效果較好。近年來，伴隨著農業大數據化，數據量不斷升級，加上深度學習的高速發展，使用深度神經網絡進行病蟲害圖像識別在國內外都取得了一定的成果：文獻[2-4]分別使用采集的病態和健康的植物葉片訓練卷積神經網絡，得到的網絡識別精度高，分類效果明顯。文獻[5]使用基于深度卷積神經網絡(CNN，convolutional neural networks)的模型對水稻病葉進行識別，精度達到了95. 48%，高于傳統的機器學習模式。文獻[6]使用faster R-CNN識別茶葉的褐斑病、水皰病等病變。文獻[7]使用GoogleLeNet建模水稻穗株的高光譜圖像，對病株進行識別。文獻[8]綜合多種深度神經網絡的特征提取器提出一種深度學習元體系結構，實現了對番茄病變的實時監測。然而，這些基于深度神經網絡的方法在提供優秀的性能同時，往往需要依靠大量的有標簽數據樣本進行訓練，數據則需要專業人員進行采集和標注，帶來了高昂的訓練成本，一定程度上限制了方法在實際問題中的應用。

為了減少實際應用中的數據需求和標注成本，深度遷移學習(deep transfer learning)是經常被選擇的方案，這一思路也已經被擴展到病蟲害識別工作中。……