目录
摘要 3
关键词 3
ABSTRACT 4
KEY WORDS 4
1 概述 5
1.1 研究背景、目的和意义 5
1.1.1 研究背景 5
1.1.2 研究目的和意义 5
1.2 深度学习在病害识别方面的国内外研究现状 6
1.2.1 国外研究现状 6
1.2.2 国内研究现状 6
1.3 技术路线 7
2 神经网络模型 5
2.1 卷积神经网络 5
2.2 VGGNet 7
2.3 ResNet 9
2.4 GoogLeNet 11
3 数据集及数据预处理 13
3.1 数据集 13
3.2 数据预处理 13
3.2.1 旋转 14
3.2.2 透视形变 14
3.2.3 弹性扭曲 15
3.2.4 错切变换 15
3.2.5 变换叠加 15
3.2.6 生成TFRecord文件 16
4 训练过程 17
4.1 读取TFRecord文件 17
4.2 训练方法 17
5 结果分析 19
6 app设计与开发 21
6.1 将ckpt文件转为pb文件 21
6.2 将TensorFlow训练好的模型移植到Android 22
6.3 功能 22
6.4 界面 23
7 总结与展望 25
7.1 总结 25
7.2 展望 25
致谢 25
参考文献 26
基于CNN的玉米叶病识别的研究与应用
摘 要
本文使用在受控条件下收集的4000张患病和健康玉米叶片图像的公共数据集，训练了一个深度卷积神经网络，以识别玉米的3种叶病（或健康）。将数据增强与迁移学习技术相结合以降低网络的过拟合程度。首先利用数据增强方法对数据集进行扩充，然后搭建基于迁移学习的卷积神经网络 *51今日免费论文网|www.51jrft.com +Q: ^351916072* 
模型，加速神经网络的训练过程。经过训练的模型在保留的测试集上达到了90％以上的精度，证明了这种方法的可行性。实验结果表明：使用卷积神经网络算法对玉米叶病进行识别时，结合数据增强与迁移学习技术，精确度和训练速度比传统单一卷积神经网络有较为显著的提升。然后对VGGNet，ResNet和GoogLeNet的训练及测试结果进行对比分析。结果表明， GoogLeNet在三种网络中表现最好，因此进一步对其进行调参并训练。最后把训练好的模型移植到自己开发的app上，成功实现了基于卷积神经网络对玉米叶病的识别在移动端的应用。
目录
目录

原文链接：http://www.jxszl.com/jsj/wljs/606884.html