《表2 模型的识别精度:基于迁移学习的卷积神经网络玉米病害图像识别》
%
为了便于应用,用Python将脚本程序开发成图形用户界面,为扩大待检测玉米病害图像的来源,设计了3种图像来源方式,分别为:用requests库通过输入的网址爬取网络图像、用PyQt5库中的文件选择功能选取本地图像以及通过OpenCV库调用摄像头拍摄的图像。在界面中选择训练好的模型以及通过上述3种方式获取的玉米病害图像,载入待检测的图像即可进行检测。现选择迁移学习训练全部层训练的模型,选择1幅玉米大斑病图像进行检测,结果显示图像为大斑病的概率为99.87%,如图8a所示。再选择1幅玉米锈病图像进行检测,结果显示图像为锈病的概率为100%,如图8b所示。为检验模型的识别精度与泛化能力,从网络搜集3种病害图像各50幅,3种图像的查准率与查全率如表2所示,平均查准率与查全率分别为93.42%与93.33%,结果表明通过迁移学习训练全部层训练的模型具有较好的应用效果。
图表编号 | XD00135814100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.02.25 |
作者 | 许景辉、邵明烨、王一琛、韩文霆 |
绘制单位 | 西北农林科技大学机械与电子工程学院、西北农林科技大学旱区农业水土工程教育部重点实验室、西北农林科技大学机械与电子工程学院、西北农林科技大学机械与电子工程学院、西北农林科技大学中国旱区节水农业研究院 |
更多格式 | 高清、无水印(增值服务) |