基于深度残差网络的番茄叶片病害识别方法

1、研究思路

该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数，降低了深度学习网络的训练难度。在此基础上，通过在传统深度神经网络中添加残差单元，解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题，能够实现番茄叶片图像的高维特征提取，根据该特征可进行有效病害鉴定。

通过利用贝叶斯理论优化深度残差网络超参数，降低模型陷入局部
最优的概率，从而提高了以番茄叶片为代表的设施蔬菜病害图像的识别准确度。

2、深度残差网络

面临着梯度消失与梯度爆炸等问题，降低了网络性能。深度残差网络则有效克服了神经网络深度较大时性能下降的问题。

3、基于贝叶斯理论的超参数优化

构建深度残差神经网络往往首先需要确定超参数，这些参数包括网络深度、过拟合正则化参数与学习速率等。超参数值是影响训练时间和分类精度的重要因素，而人工调整需要耗费大量时间。

贝叶斯优化通过建立和查询代理模型，评估复杂的实际目标函数，根据拟合结果预测参数空间中最具潜力的评估点。