计算机与现代化JISUANJIYUXIANDAIHUA2023年第1期总第329期0引言苹果的种植资源非常丰富，世界各地都有栽培。根据西汉司马相如的《上林赋》记载，中国最早的苹果栽培历史可以追溯到公元前125年，到现在的2000多年里，苹果新品种不断被选育，导致苹果品种混杂频繁，苹果产业效益低。因此，如何高效、简便、准确地识别苹果品种是一个重要课题，对优质苹果品种的推广与苹果产业的发展至关重要。传统的苹果品种分类方法，需要苹果种植户或育种人员依靠自己的直觉和专业知识对果园中的果实、树木、树枝和树叶的植物学特征进行现场观察和分析，这种方法过多依赖人员的知识经验储备和主观判断，此外由于不可量化，并不适合在大规模的果园中使用；另一种方法是依靠专业人员在实验室中使用物理、化学和生物技术分析苹果的理化性质从而识别苹果品种，这种方法不仅昂贵和耗时，且对普通种植者非常不友好。目前，随着数字图像处理技术和计算机视觉技术在农业中的应用，人们提出并研究了许多利用植物叶片图像进行植物分类的机器学习方法，如k-最近邻（KNN）、决策树、支持向量机（SVM）［1-8］。传统的机器学习方法需要人工设计和提取判别特征，而人工提取的特征在不同植物间的迁移性较差，因此不同植物品种需要设计不同的判别特征。受人工特征选择的影响，传统机器学习模型的稳定性、鲁棒性与泛化性较差，无法满足实际科研和生产的需要。近年来，卷积神经网络（CNN）已发展成为计算机模式识别任务的最佳分类方法之一，判别特征不再需要人工设计，而是由卷积神经网络通过多次卷积操作自动提取图像中的低维和高维特征。卷积神经网络在基于图像识别中的突破性应用激发了其在智慧农业中植物分基于SE-ResNeXt的苹果叶片分类方法白旭光，刘成忠，韩俊英，高嘉蒙，陈俊康（甘肃农业大学信息科学技术学院，甘肃兰州730070）摘要：基于现有深度学习技术，采用基于残差神经网络ResNet的变体SE-ResNeXt，构建可以自动进行苹果品种分类的卷积神经网络模型，并基于迁移学习方法训练模型。数据来源于甘肃省静宁县苹果产业基地拍摄的20类苹果叶片图像，其中每类苹果叶的图片数据量为50幅，合计1000幅。在该数据集上，对ResNet50、ResNet101、SE-ResNet50、SE-ResNet101、SE-ResNeXt50、SE-ResNeXt101这6个模型进行对比实验。结果表明，SE-ResNeXt101的结果优于其它对比模型，最高准确率达到97.5％，单张图片推断时间仅0.125s。本文方法为今后苹果种植过程中高效、准确地识别苹果...
