基于paddle框架的MobileNetV2深度学习神经网络番茄/西红柿叶子病虫害识别系统源码

本文链接：https://blog.csdn.net/m0_59023219/article/details/135676101

文章介绍了使用MobileNetV2模型对番茄叶子病虫害进行识别的过程，包括数据准备、模型修改、训练代码实现（采用交叉熵损失函数和Adam优化器）、以及最终92.9%的高正确率。还涉及了GUI界面的搭建和整个项目的代码及资源提供。

摘要由CSDN通过智能技术生成

第一步：准备数据

10种番茄/西红柿叶子病虫害：

self.label_dict = {'0': 'Tomato___Bacterial_spot', '1': 'Tomato___Early_blight', '2': 'Tomato___healthy',
                 '3': 'Tomato___Late_blight', '4': 'Tomato___Leaf_Mold', '5': 'Tomato___Septoria_leaf_spot',
                 '6': 'Tomato___Spider_mites Two-spotted_spider_mite', '7': 'Tomato___Target_Spot',
                 '8': 'Tomato___Tomato_mosaic_virus', '9': 'Tomato___Tomato_Yellow_Leaf_Curl_Virus'}

，总共有18345张图片，每个文件夹单独放一种

第二步：搭建模型

本文选择MobileNetV2，其网络结构如下：

由于是十分类问题，直接套用网络肯定是不行，因此会在改动神经网络输出类别数，参考代码如下：

    model = MobileNetV2(num_classes=update_train_parameters['class_dim'])

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）MobileNetV2从头训练：

    model = MobileNetV2(num_classes=update_train_parameters['class_dim'])
    model.train()
    cross_entropy = paddle.nn.CrossEntropyLoss()
    optimizer = paddle.optimizer.Adam(learning_rate = update_train_parameters['learning_strategy']['lr'],
                                      parameters = model.parameters())

第四步：统计正确率