許冠芝，王澤民，李成強(qiáng)

（西安工程大學(xué)電子信息學(xué)院，西安710600）

1 引言

2017年我國(guó)發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，其中包含了人工智能在智慧農(nóng)業(yè)領(lǐng)域的應(yīng)用，如使用農(nóng)業(yè)信息大數(shù)據(jù)智能決策分析系統(tǒng)，建立完善一體化的智能農(nóng)業(yè)信息監(jiān)測(cè)系統(tǒng)等[1]。以人工智能技術(shù)解決傳統(tǒng)農(nóng)業(yè)問題是當(dāng)前的研究熱點(diǎn)。在此擬采用人工智能技術(shù)中的深度學(xué)習(xí)方法解決番茄葉部病害識(shí)別問題。番茄在我國(guó)栽種面積廣泛，是當(dāng)今食用量最多的果蔬之一，但番茄葉病一直制約著番茄產(chǎn)量和質(zhì)量的提升。番茄葉部病害類型的診斷對(duì)番茄病害的防治就顯得尤為關(guān)鍵。及早對(duì)番茄葉部病害進(jìn)行識(shí)別防治，能最大化降低病害對(duì)番茄造成的經(jīng)濟(jì)損失，具有重要的理論和實(shí)際意義[2]。

傳統(tǒng)對(duì)于番茄葉部病害的識(shí)別主要依賴農(nóng)民或者專家下農(nóng)田親自檢查，依靠經(jīng)驗(yàn)進(jìn)行診斷。這種方法非常不便捷且診斷結(jié)果具有很強(qiáng)的主觀性[3]。近年來，對(duì)于農(nóng)作物病害診斷逐漸發(fā)展為利用計(jì)算機(jī)技術(shù)對(duì)植物病害圖片進(jìn)行識(shí)別。文獻(xiàn)[4]提出了一種利用統(tǒng)計(jì)方法，通過番茄葉片不同病害顏色、形狀等特征不同來確定番茄病害的方法。該方法對(duì)顏色特征的提取依賴較大，某幾種識(shí)別率較高，而某些病害則出現(xiàn)較高誤診。文獻(xiàn)[5]提出了一種基于光譜反射特性的番茄葉片早疫病病害識(shí)別方法，該方法在某一波段內(nèi)識(shí)別率較高，具有極大的局限性。文獻(xiàn)[6]提出一種利用遺傳算法從圖像紋理、顏色、形狀等多個(gè)特征中選取穩(wěn)定性及分類能力強(qiáng)的特征用于病害識(shí)別的方法，該方法依賴于人工對(duì)特征的選取，具有很強(qiáng)的主觀性。文獻(xiàn)[7]提出一種基于神經(jīng)網(wǎng)絡(luò)的水稻二化螟蟲害的識(shí)別方法，該方法使用的樣本較少，增大實(shí)驗(yàn)樣本可以提高對(duì)二化螟蟲的識(shí)別率。

綜上所述，現(xiàn)有方法大多是基于對(duì)病害的特征提取，不同病害對(duì)應(yīng)不同的顏色、形狀特征，不具有通用性。人工方式特征提取對(duì)專家經(jīng)驗(yàn)要求較高。圖片的質(zhì)量又對(duì)結(jié)果影響較大。針對(duì)此類問題，擬采用深度學(xué)習(xí)方法，建立番茄葉部病害識(shí)別模型。

深度學(xué)習(xí)是人工智能領(lǐng)域最前沿的研究方向之一。深度學(xué)習(xí)技術(shù)已成功應(yīng)用于語(yǔ)音識(shí)別[8-9]，圖像識(shí)別[10-11]，自然語(yǔ)言處理[12-13]等領(lǐng)域。主要有深度置信網(wǎng)絡(luò)（Deep Belief Networks,DBN）[14]，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）[15],生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks,GAN）[16]和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）[17]等。因卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖片特征提取效果最好，故在此采用卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)構(gòu)建病害識(shí)別模型。

2 相關(guān)算法介紹

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)一般由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成[18]。卷積層主要作用為對(duì)輸入數(shù)據(jù)進(jìn)行特征提取。用一個(gè)合適大小的矩陣（卷積核）對(duì)輸入進(jìn)行掃描，提取出輸入圖像的特征。卷積過程可以下式來表示：

式中，h表示輸出，x為輸入。輸入包含A個(gè)通道，即有A副圖像x1,x2,...,xA，相應(yīng)的掃描矩陣即為w1,w2,...,wA，偏置為b。

池化層主要作用是對(duì)輸入的特征進(jìn)行進(jìn)一步的提取，可以簡(jiǎn)化網(wǎng)絡(luò)的復(fù)雜度，又能保留主要特征。以下為常用的兩種池化操作計(jì)算公式：

式(2)為平均池化公式，式(3)為最大池化公式，其中h為輸出，A為輸入，采樣塊大小皆為α×β。

全連接層的主要作用是將卷積和池化提取的局部特征重新通過權(quán)值矩陣全卷積為完整的特征，因?yàn)閼?yīng)用到了所有局部特征，所以叫全連接。輸出層的作用就是最后對(duì)特征進(jìn)行分類識(shí)別，輸出結(jié)果。

2.2 PCA算法

經(jīng)全連接層提取的特征維度較高、計(jì)算量大、訓(xùn)練耗時(shí)，需要對(duì)高維特征進(jìn)行數(shù)據(jù)降維處理。PCA是一種用于數(shù)據(jù)降維的算法，中文名為主成分分析法[19]，主要思想是對(duì)數(shù)據(jù)進(jìn)行線性變換，將任意數(shù)據(jù)變換到新的坐標(biāo)系中，保留數(shù)據(jù)中對(duì)方差影響最大的特征。為了得到包含最大差異性的主成分方向，需要計(jì)算數(shù)據(jù)矩陣的協(xié)方差，然后得到協(xié)方差矩陣特征向量，選擇特征值最大的K個(gè)特征所對(duì)應(yīng)的的特征向量組成的矩陣。這樣就可以將數(shù)據(jù)裝換到新空間，實(shí)現(xiàn)降維。

樣本均值、樣本方差、協(xié)方差計(jì)算公式依次如下所示：

2.3 Softmax損失函數(shù)及其改進(jìn)

2.3.1 Softmax函數(shù)與中心損失函數(shù)

Softmax函數(shù)用于解決多分類問題，是Logistic函數(shù)的推廣[20]，適合于此處的番茄多種葉病識(shí)別。該函數(shù)會(huì)判斷輸入屬于某一個(gè)類別的概率，如果最大，這個(gè)類就輸出1；其他類輸出值接近0。由此可知該算法類間互斥，某個(gè)輸入只能屬于一個(gè)類。Softmax損失函數(shù)如下式：

其中，y(i)表示病害標(biāo)簽，W是模型參數(shù)，x(i)是訓(xùn)練樣本特征向量。k為病害類別數(shù)目，m為樣本大小。

在實(shí)際應(yīng)用中，當(dāng)提取的特征不足以用來對(duì)類別進(jìn)行強(qiáng)分類時(shí)，經(jīng)常會(huì)出現(xiàn)類內(nèi)距離大于類間距離的情況發(fā)生，對(duì)最終的分類識(shí)別結(jié)果影響較大。在此問題上，Wen[21]等提出了中心損失函數(shù)。對(duì)于一個(gè)卷積神經(jīng)網(wǎng)絡(luò)來說，每次可計(jì)算出多個(gè)特征中心，同時(shí)根據(jù)特征值與其對(duì)于中心的距離計(jì)算損失函數(shù)。該函數(shù)可用下式表示：

其中，cyi是第yi個(gè)類的特征中心。xi是第i張圖片的特征值。類內(nèi)變化可用下式表示：

由式(9)可知，特征中心cyi隨深度特征的變化而變化。Lc相對(duì)于cyi的更新計(jì)算公式如下式所示：

其中，當(dāng)條件yi=j滿足時(shí)，δ(yi=j)值為1，不滿足時(shí)值為0。當(dāng)訓(xùn)練集規(guī)模較大時(shí)，需要以小批量的方式進(jìn)行中心值的更新以解決一次性無(wú)法將所有中心獲取的問題。

2.3.2 改進(jìn)的softmax函數(shù)

由前一節(jié)的論述可知，為了增大類間距離的同時(shí)減小類間距離，將softmax損失函數(shù)與中心損失函數(shù)結(jié)合起來，作為聯(lián)合監(jiān)督函數(shù)。聯(lián)合監(jiān)督函數(shù)代替原來的只含softmax函數(shù)作為輸出層的分類函數(shù)。聯(lián)合函數(shù)如下式所示：

其中，λ是用來平衡兩個(gè)損失的參數(shù)。合適的λ可以大大提高特征識(shí)別能力。由式(11)可知，當(dāng)λ為0時(shí)，該函數(shù)即為softmax函數(shù)。

3 算法設(shè)計(jì)

基于深度學(xué)習(xí)的番茄葉片病害圖像識(shí)別算法設(shè)計(jì)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)用于對(duì)輸入的病害圖像進(jìn)行特征學(xué)習(xí)提取，對(duì)提取的病害特征進(jìn)行PCA降維，最后利用改進(jìn)的softmax函數(shù)進(jìn)行病害分類?？傮w框架如圖1所示。

圖1 算法總體框架圖

圖中，輸入是番茄葉部病害圖片，數(shù)據(jù)預(yù)處理是對(duì)輸入的圖片進(jìn)行標(biāo)準(zhǔn)化和歸一化。核心點(diǎn)在于CNN網(wǎng)絡(luò)模型的構(gòu)建，以及建立基于改進(jìn)的softmax函數(shù)番茄葉部病害識(shí)別模型。在此將深度學(xué)習(xí)技術(shù)應(yīng)用于傳統(tǒng)農(nóng)業(yè)病害識(shí)別問題，引入PCA降維算法并改進(jìn)softmax函數(shù)，以提高番茄葉部病害識(shí)別的準(zhǔn)確度。

3.1 基于CNN模型的新算法

如前所述，組成卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層和輸出層構(gòu)成。在此，根據(jù)數(shù)據(jù)集大小及番茄病害特點(diǎn)，設(shè)計(jì)一個(gè)七層CNN神經(jīng)網(wǎng)絡(luò)，其模型如圖2所示。

此CNN模型共有七層（只計(jì)算卷積層和全連接層）。網(wǎng)絡(luò)的主要參數(shù)如下：

1)輸入為256×256×3的RGB圖像；

2)全部卷積層和全連接層激活函數(shù)都為Relu（Relu函數(shù)在輸入大于0直接輸入該值，輸入小于等于0時(shí)，輸出0）；

3)卷積層 C1，卷積核大小為 6×6×3，設(shè)置 64 個(gè)卷積核，步長(zhǎng)（stride）為 2，Padding=same（此處用padding來解決圖像邊界信息發(fā)揮較少問題，方法是進(jìn)行零填充），輸出為 126×126×64；

4)池化層 S1，采樣區(qū)域?yàn)?3×3，步長(zhǎng)為 2，采樣方式為最大采樣，輸入為C1的輸出，輸出為63×63×64；

5)卷積層 C2，卷積核大小為 3×3×64，設(shè)置 128個(gè)卷積核，步長(zhǎng)為2，Padding=same，輸入為S1的輸出，輸出為 31×31×128；

6)池化層 S2，采樣區(qū)域?yàn)?3×3，步長(zhǎng)為 2，采樣方式為最大采樣，輸入為C2的輸出，輸出為15×15×128；

7)卷積層C3，卷積核大小為3×3×128，設(shè)置256個(gè)卷積核，步長(zhǎng)為1，Padding=same，輸入為S2的輸出，輸出為 15×15×256；

8)池化層 S3，采樣區(qū)域?yàn)?3×3，步長(zhǎng)為 1，采樣方式為最大采樣，輸入為C3的輸出，輸出為7×7×256；

9)卷積層C4，卷積核大小為3×3×256，設(shè)置384個(gè)卷積核，步長(zhǎng)為1，Padding=same，輸入為S3的輸出，輸出為 7×7×384；

10)池化層 S4，采樣區(qū)域?yàn)?3×3，步長(zhǎng)為 1，采樣方式為最大采樣，輸入為C4的輸出，輸出為3×3×384；

圖2 CNN結(jié)構(gòu)模型圖

11)全連接層F1，使用了4096個(gè)神經(jīng)元；

12)全連接層F2，F(xiàn)3神經(jīng)元個(gè)數(shù)由PCA降維之后決定；

13)輸出層，采用改進(jìn)的softmax函數(shù)，輸出類別為10類病害類型和健康類型共11種類別。

3.2 PCA降維與聯(lián)合函數(shù)結(jié)構(gòu)設(shè)計(jì)

至此，得到了一個(gè)基本的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，全連接層F1得到一個(gè)4096維度特征，經(jīng)PCA對(duì)高維特征進(jìn)行降維。再通過改進(jìn)的softmax函數(shù)進(jìn)行病害種類識(shí)別。結(jié)構(gòu)模型圖如圖3所示。

圖3 PCA與聯(lián)合函數(shù)結(jié)構(gòu)模型圖

圖3所示結(jié)構(gòu)是對(duì)圖2全連接層F1之后的改進(jìn)。圖2是本提取方法的基本結(jié)構(gòu)，但在池化層S4之后使用的是3個(gè)全連接層。提取的番茄病害特征維度較高且會(huì)出現(xiàn)類內(nèi)距離大于類間距離情況，故圖3在圖2的基礎(chǔ)上，在全連接層F1之后加入了PCA對(duì)特征進(jìn)行降維。全連接層F2與F3采用softmax損失和中心損失聯(lián)合函數(shù)對(duì)特征進(jìn)行分類，以提高分類準(zhǔn)確性。

3.3 算法步驟

以上述網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)，構(gòu)建完整CNN網(wǎng)絡(luò)，對(duì)于PCA降維部分，在全連接層F1之后增加一層PCA降維層，在實(shí)驗(yàn)時(shí)分別驗(yàn)證不加入PCA降維，以及加入PCA降維之后。不同特征維度對(duì)識(shí)別精確度的影響。

對(duì)于全連接層F2及F3的softmax與中心損失聯(lián)合監(jiān)督算法部分，將算法的輸入抽象為：訓(xùn)練數(shù)據(jù)集｛xi｝，分別初始化池化層和損失層參數(shù)θc、W及同時(shí)輸入?yún)?shù)：λ和學(xué)習(xí)率μt，其中迭代的次數(shù)t初始化為0。輸出則抽象為輸出參數(shù)θc。聯(lián)合監(jiān)督的病害識(shí)別算法步驟可歸納如下：

Step1：判斷是否收斂，不收斂則跳向step2；

Step2：迭代次數(shù)t=t+1；

Step3：根據(jù)公式(11)計(jì)算聯(lián)合損失L；

Step5：利用梯度下降法公式更新參數(shù)W，cj，θc；

Step6：判斷是否收斂，如果收斂則迭代結(jié)束，否則從step1開始循環(huán)執(zhí)行。

4 實(shí)驗(yàn)與結(jié)果分析

4.1 仿真目標(biāo)與步驟

在算法設(shè)計(jì)完成的基礎(chǔ)上，通過實(shí)驗(yàn)驗(yàn)證番茄葉部病害識(shí)別算法的準(zhǔn)確度和魯棒性。實(shí)驗(yàn)需要分別驗(yàn)證病害特征維度對(duì)精確度的影響，以及改進(jìn)的softmax函數(shù)對(duì)精確度的影響。

驗(yàn)證病害特征維度對(duì)準(zhǔn)確度的影響的方法：首先使用原softmax函數(shù)，通過改變PCA降維維度，測(cè)試在softmax函數(shù)不改進(jìn)的情況下，不同維度與準(zhǔn)確度之間的關(guān)系，并根據(jù)結(jié)果得到最佳維度。

驗(yàn)證改進(jìn)的softmax函數(shù)對(duì)精確度影響的方法：由前一步得到了PCA降維的最佳維度，然后將該維度固定，測(cè)試改進(jìn)的softmax函數(shù)中的參數(shù)λ對(duì)識(shí)別準(zhǔn)確度的影響，以確定最佳λ。

觀察兩次準(zhǔn)確度的變化，驗(yàn)證本模型對(duì)番茄葉部病害識(shí)別準(zhǔn)確度提升的作用，并與當(dāng)前通常使用的其他番茄葉病識(shí)別算法比較，驗(yàn)證本算法的優(yōu)越性。

4.2 數(shù)據(jù)來源及數(shù)據(jù)預(yù)處理

數(shù)據(jù)來源為：選取國(guó)外知名農(nóng)作物人工智能研究機(jī)構(gòu)CrowdAI網(wǎng)站所提供的番茄葉部病害圖片。另有部分圖片數(shù)據(jù)來自我國(guó)農(nóng)業(yè)網(wǎng)站，如安徽省農(nóng)業(yè)科學(xué)院情報(bào)研究所網(wǎng)站所提供的番茄病害圖片。

從數(shù)據(jù)集中選取了我國(guó)最常見的10類病害圖片，每類病害共選取600張圖片，加上正常番茄葉部圖片共11類，6600張圖片。這10類病害具體為番茄早疫病、番茄晚疫病、番茄葉霉病、番茄斑枯病、番茄花葉病、番茄棒孢菌病、番茄灰葉斑病、番茄細(xì)菌性斑點(diǎn)、番茄二斑葉螨病、番茄黃化曲葉病。將圖庫(kù)隨機(jī)劃分為訓(xùn)練集和測(cè)試集，訓(xùn)練集占總圖庫(kù)3/4，測(cè)試集為1/4。圖4給出了正常蕃茄葉片及部分患病葉片圖片。

圖4 數(shù)據(jù)集部分圖片

再對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。原圖分辨率大小不一，需要統(tǒng)一處理為256×256像素，以.jpg格式保存。使用谷歌tensorflow深度學(xué)習(xí)框架中提供的tf.image.resize_images函數(shù)調(diào)整圖像大小。此外還需對(duì)圖像進(jìn)行歸一化處理。歸一化并不會(huì)改變圖像原有的信息，而是將圖像像素值取值范圍從0～255轉(zhuǎn)化為0～1之間，以方便卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像的處理。此處使用最大最小歸一法對(duì)，公式如下所示：

其中，xi表示圖像的像素點(diǎn)值。max()與min()分別表示最大、最小函數(shù)。

4.3 實(shí)驗(yàn)過程分析

4.3.1 PCA降維

采用圖2結(jié)構(gòu)所示的卷積神經(jīng)網(wǎng)絡(luò)F1層輸出的病害特征有4096維，特征維度較大，計(jì)算和訓(xùn)練用時(shí)過長(zhǎng)，降維可以去除冗余特征解決多重共線性問題。為了找到合適的特征維度既能去除冗余，又能擁有較好的識(shí)別精度，采用PCA算法對(duì)4096維的特征進(jìn)行降維。經(jīng)過多次實(shí)驗(yàn)得到精確度與特征維度曲線圖如圖5。從圖中可以看出，數(shù)據(jù)維度降低過程中，精確度呈非線性變化，在降低到64維時(shí)精確度達(dá)到最優(yōu)；而低于16維時(shí)精確度急劇降低，從4096降到64維過程中精確度穩(wěn)步上升。這表明卷積神經(jīng)網(wǎng)絡(luò)提取的特征含有一定的冗余信息。去除這部分冗余，精確度便得到改善。而數(shù)據(jù)維度低于16維時(shí)，由于過度降維，去除了有用信息，導(dǎo)致精確度急劇下降。

圖5 精確度與特征維度曲線圖

4.3.2參數(shù)λ對(duì)分類結(jié)果的影響

合適的λ值可用來平衡聯(lián)合函數(shù)，加強(qiáng)網(wǎng)絡(luò)對(duì)特征的分類能力。由于識(shí)別精度同時(shí)還受學(xué)習(xí)率的影響，首先固定學(xué)習(xí)率為0.5，改變?chǔ)酥担瑴y(cè)試不同λ值對(duì)識(shí)別精度的影響。測(cè)試結(jié)果如圖6所示。由圖可知，當(dāng)λ為0時(shí)，為單純只有softmax算法，識(shí)別精度沒有聯(lián)合函數(shù)高，當(dāng)λ取0.003時(shí)，識(shí)別精度最高，能比softmax改進(jìn)之前精度提高2.5%左右。這也說明，一個(gè)合適的參數(shù)對(duì)于聯(lián)合函數(shù)是非常重要的。對(duì)于參數(shù)λ值的選取，目前只能通過多次實(shí)驗(yàn)的方法確定。

圖6 參數(shù)λ與識(shí)別精確度關(guān)系圖

學(xué)習(xí)率對(duì)識(shí)別精度也有一定影響，故此還進(jìn)行了學(xué)習(xí)率對(duì)識(shí)別精度影響的測(cè)試實(shí)驗(yàn)，當(dāng)參數(shù)λ固定選取0.003時(shí)，測(cè)試不同的學(xué)習(xí)率對(duì)識(shí)別精度的影響。根據(jù)前人研究經(jīng)驗(yàn)，學(xué)習(xí)率取值范圍限定為[0.001，1]。學(xué)習(xí)率與精確度關(guān)系曲線見圖7。依據(jù)分析，學(xué)習(xí)率最佳選擇為0.5。

4.4 對(duì)比實(shí)驗(yàn)

所提出的方法在CrowdAI提供的數(shù)據(jù)源上獲得了較好的識(shí)別效果。每類番茄葉部病害的具體識(shí)別結(jié)果如表1所示。

圖7 學(xué)習(xí)率與識(shí)別精確度關(guān)系圖

表1 常見番茄葉部病害識(shí)別結(jié)果

從表1可知，所提出的番茄葉部病害模型識(shí)別率較高，綜合識(shí)別率能夠達(dá)到95%。為進(jìn)一步說明所提模型的有效性和優(yōu)越性，將本方法與目前在農(nóng)業(yè)病害中常用的識(shí)別算法精確度進(jìn)行性能對(duì)比，結(jié)果如表2所示。

表2 算法結(jié)果對(duì)比

從表2可以看出，所提出的基于深度學(xué)習(xí)的番茄葉部病害識(shí)別方法在識(shí)別精確度上優(yōu)于傳統(tǒng)的識(shí)別算法；SVM+CNN算法采用了傳統(tǒng)機(jī)器學(xué)習(xí)分類算法SVM及CNN網(wǎng)絡(luò)的結(jié)合，并未對(duì)特征進(jìn)行降維及對(duì)softmax損失改進(jìn)，本文方法比SVM+CNN方法準(zhǔn)確率提高了8.2%；GA-BP算法采用的是一種人工對(duì)病害特征選取的算法，相比而言，本文采用深度學(xué)習(xí)算法具有對(duì)特征自動(dòng)提取的優(yōu)點(diǎn)，本算法比GA-BP方法準(zhǔn)確率提高4%；LSM-H算法適用于輪廓比較明顯的待識(shí)別物體，經(jīng)過Hought變換及最小二乘法得到最終識(shí)別結(jié)果，準(zhǔn)確率較高，但是局限性較大本文算法比LSM-H方法準(zhǔn)確率提高了0.8%；FCNN-H是快速歸一化互相關(guān)函數(shù)與霍夫變換結(jié)合的一種傳統(tǒng)識(shí)別算法，識(shí)別準(zhǔn)確率較低，本算法比FCNN-HT方法準(zhǔn)確率提高了9%。

通過與同類的深度學(xué)習(xí)算法以及傳統(tǒng)機(jī)器學(xué)習(xí)算法的對(duì)比，可見本模型對(duì)番茄病害識(shí)具有更高識(shí)別精確度及更強(qiáng)的識(shí)別通用性。通用性是指本方法能識(shí)別番茄10種常見葉子病害，通過增加樣本數(shù)據(jù)，能夠做到識(shí)別更多的病害種類。而傳統(tǒng)機(jī)器算法通常只針對(duì)一種或一類進(jìn)行識(shí)別。

5 結(jié)束語(yǔ)

提出了一種基于深度學(xué)習(xí)的番茄葉部病害識(shí)別算法模型，設(shè)計(jì)了一個(gè)七層卷積神經(jīng)網(wǎng)絡(luò)，使用PCA降維算法并對(duì)softmax函數(shù)進(jìn)行改進(jìn)。該模型在CrowdAI所提供的數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明：PCA對(duì)維度的降低能夠提高識(shí)別精確度，減少訓(xùn)練時(shí)間，softmax聯(lián)合函數(shù)能夠一定程度增大類間距離的同時(shí)減小類內(nèi)距離，提高CNN對(duì)病害特征的識(shí)別能力。實(shí)驗(yàn)結(jié)果表明該模型對(duì)番茄10類病害綜合識(shí)別率達(dá)到95.7%，驗(yàn)證了模型的有效性。