基于深度迁移学习的EfficientNet玉米叶部病害识别

灰斑病、锈病和大斑病给玉米产业造成巨大经济损失,精准诊断可降低其对农业发展的不良影响.文章基于深度迁移学习理论提出一种两阶段迁移学习的EfficientNet模型,解决识别复杂背景玉米叶部病害过程中出现的域迁移和小样本问题.经ImageNet至Plant Village及Plant Village至本地数据集(Localdataset)的两阶段迁移学习后,微调的EfficientNet模型与先进的深度网络模型在预留的玉米病叶数据集上进行预测.两阶段迁移学习试验表明,EfficientNet B4模型性能最优.第一阶段和第二阶段B4模型准确率分别达到98.61％和99.10％,F1分数达到0.9840和0.9908,此外B4模型参数量比先进深层卷积神经网络少.B0模型参数量对标轻量级卷积神经网络,识别效果优于两种经典MobileNet结构,更适合移动端搭载.此外,训练过程中应用Mish激活函数可提升模型性能.经两阶段迁移学习的EfficientNet有效解决训练不充分和域迁移等问题,为田间复杂背景下玉米叶部病害识别提供应用实例,为智慧农业移动设备开发提供理论基础.