电脑与电信基于优化ResNet的小麦赤霉病识别方法郝艳艳摘要：为提高小麦赤霉病识别的准确率，设计了小麦赤霉病识别的神经网络模型。模型以ResNet结构块为基础搭建了18层的网络结构，然后对模型进行优化调整，加入了全零填充操作提升模型识别能力，在隐藏层中加入了dropout操作缓解模型过拟合情况。实验结果显示这两项优化操作对模型在测试集上的识别准确率的提升有较为明显的效果，可以为小麦生产环境监测提供较好的数据支持。（河南工业贸易职业学院信息工程学院，河南郑州450000）关键词：ResNet；赤霉病；小麦；卷积神经网络中图分类号：TP391.41；TP183文献标识码：A文章编号：1008-6009（2022）11-0016-042.1感受野在利用卷积神经网络对图像数据进行特征提取过程中，输出特征图和输入特征图的尺寸是不一样的，输出特征图的一个像素点映射到原始图像上的区域大小就是[4]感受野，也叫ReceptiveField。如图1中的两个例子，图1中蓝色框线是将一张5*5的原始图像先后进行2层卷积核尺寸3*3的卷积操作，得到最终输出特征图的尺寸为1*1。图1中绿色框线是直接在5*5的原始图像进行1层卷积核尺寸为5*5的卷积操作，输出特征图尺寸为1*1。这两个输出特征图上的一个像素点映射到原始图像上的区域均为5*5，所以两个例子中输出特征图的感受野均是5，说明2层3*3卷积核和1层5*5卷积核的特征提取能力是一样的。但通过分析发现，两个例子中的待训练参数和计算量是不一样的。设输入特征图边长为x，卷积计算步长为1，则图1中经2层蓝色部分3*3卷积核2的待训练参数有18个，共需要18x-108x+108个乘加计算，图1中经1层绿色框线部分5*5卷积核操作的待训练参2数有25个，共需要25x-200x+400个乘加计算。因此当输入边长大于10时，经过2层3*3卷积核操作比经过1层5*5卷积核计算的性能好，论文中使用的卷积操作便使用2层3*3卷积核替换1层5*5卷积核来减少模型参数，降低模型时间复杂度。1引言小麦赤霉病对小麦产量影响重大，因此研究小麦赤[1]霉病的自动识别问题具有相当重要的实践意义。通过梳理现有研究成果发现，通过卷积神经网络实现病虫害的自动识别是目前该领域的研究热点。以时间顺序为线索分析比较经典的卷积神经网络实现方式的网络深度，最早的LeNet深度为5，随后的AlexNet深度是8，VGG深度是16或者19，InceptionNetV1深度为22，可见学者们在探索利用卷积操作实现特征提取的过程中，通过加深[2]网络深度的方式取得了越来越好的效果。受生物学中感受野机制启发，现代卷积神...
