论文部分内容阅读
应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展。利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、识别效果及计算速度的对比。通过对比发现:Xception模型的计算准确率比较高,计算复杂度稍复杂些;当应用场景对计算准确率的要求不是很高的情况下,ShuffleNet V2 0.5x模