亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的葉菜霜霉病智能識(shí)別算法研究*

        2021-12-20 09:18:48尹藝璐石稱華劉哲輝常麗英
        上海蔬菜 2021年6期
        關(guān)鍵詞:霜霉病準(zhǔn)確率卷積

        梅 瑩 尹藝璐 石稱華 劉哲輝 常麗英

        (1.上海交通大學(xué)農(nóng)業(yè)與生物學(xué)院,上海 閔行200240;2.廣西壯族自治區(qū)柳州市柳城縣委辦公室,廣西柳州545000;3.山東省淄博市數(shù)字農(nóng)業(yè)農(nóng)村發(fā)展中心,山東 淄博255000;4.上海勁牛信息技術(shù)有限公司,上海 普陀200333)

        霜霉病嚴(yán)重影響我國(guó)結(jié)球白菜、菠菜、萵筍等葉菜的生產(chǎn)。霜霉病危害嚴(yán)重時(shí)發(fā)病率近90%,蔬菜減產(chǎn)可達(dá)60%[1]。目前,目視觀察是檢測(cè)田間蔬菜霜霉病發(fā)生的主要方法,極易錯(cuò)過(guò)防治的最佳時(shí)期?;趫D像識(shí)別的葉表深度學(xué)習(xí)比人工診斷更易實(shí)現(xiàn)病害的實(shí)時(shí)監(jiān)測(cè),將其應(yīng)用于病害預(yù)測(cè)的無(wú)人報(bào)警系統(tǒng),可降低勞動(dòng)成本、實(shí)現(xiàn)病害的有效防控。

        卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)是對(duì)復(fù)雜過(guò)程進(jìn)行建模,并在具有大量數(shù)據(jù)的應(yīng)用程序中執(zhí)行模式識(shí)別的強(qiáng)大技術(shù)之一。CNN是大、小型問(wèn)題中最流行的圖像識(shí)別分類(lèi)網(wǎng)絡(luò)模型,其圖像處理、識(shí)別與分類(lèi)功能強(qiáng)大,為克服有關(guān)圖像識(shí)別技術(shù)難題的首選方法[2]。國(guó)內(nèi)外研究表明,CNN已應(yīng)用于諸多植物的病害識(shí)別,如小麥病害檢測(cè)[3]、玉米不同病害圖像的分類(lèi)識(shí)別[4]、棉花病葉識(shí)別[5]、煙草病害識(shí)別分類(lèi)[6]、番茄病害的識(shí)別分類(lèi)[7-9]、黃瓜病害的識(shí)別分類(lèi)[10-12]、茶葉病害的識(shí)別分類(lèi),并通過(guò)調(diào)整網(wǎng)絡(luò)參數(shù)提高茶葉病害的識(shí)別精度[13]、運(yùn)用AlexNET模型識(shí)別茶樹(shù)不同病害[14]、蘋(píng)果病害不同發(fā)病階段[15]和不同病害的分類(lèi)識(shí)別[16],運(yùn)用兩種不同CNN體系結(jié)構(gòu)和改進(jìn)AlexNET模型識(shí)別多種植物病害[17-18],以Keras為學(xué)習(xí)框架進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練提高模型的識(shí)別成功率[19]等。

        可見(jiàn),CNN模型的研究多集中應(yīng)用于大田作物如小麥、玉米、棉花,及茄果類(lèi)蔬菜作物如番茄、黃瓜等,應(yīng)用于葉菜類(lèi)蔬菜作物的研究較少。本研究針對(duì)傳統(tǒng)方法識(shí)別葉菜霜霉病難、識(shí)別精度低等問(wèn)題,將CNN模型分別應(yīng)用于結(jié)球白菜、菠菜、萵筍3種葉菜霜霉病的分類(lèi)識(shí)別,通過(guò)構(gòu)建VGG(visual geometry group,超分辨率測(cè)試序列)16網(wǎng)絡(luò)模型,對(duì)葉菜霜霉病進(jìn)行快速診斷,為實(shí)現(xiàn)葉菜霜霉病的實(shí)時(shí)監(jiān)測(cè)奠定理論基礎(chǔ)。

        1 材料與方法

        1.1 圖像收集

        結(jié)球白菜、菠菜和萵筍霜霉病葉圖像來(lái)自電子書(shū)籍圖譜、農(nóng)林病蟲(chóng)害防治網(wǎng)、農(nóng)業(yè)病蟲(chóng)草害圖文數(shù)據(jù)庫(kù)和百度網(wǎng)站,共收集原始圖片398張,其中結(jié)球白菜霜霉病圖像175張、菠菜霜霉病圖像110張、萵筍霜霉病圖像113張(如圖1所示),用于構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型并對(duì)其進(jìn)行識(shí)別與分類(lèi)。

        圖1 葉菜霜霉病的病葉圖像

        1.2 圖像預(yù)處理

        部分圖像有文字水印等干擾,通過(guò)圖像預(yù)處理簡(jiǎn)化圖像內(nèi)容,排除無(wú)關(guān)信息干擾,提升訓(xùn)練與測(cè)試的速度和效果。本研究首先通過(guò)圖像裁剪方法去除部分無(wú)效信息,保留病害的主要特征,然后經(jīng)過(guò)隨機(jī)旋轉(zhuǎn)、平移等處理方式擴(kuò)增原圖像數(shù)量,最終獲得3種葉菜霜霉病的圖像數(shù)據(jù)庫(kù)。

        1.2.1 圖像裁剪

        裁剪去除圖像中無(wú)關(guān)信息,保留帶有葉片病斑的區(qū)域,以提高圖像信息質(zhì)量。裁剪前后的部分圖像對(duì)比如圖2所示。

        圖2 葉菜霜霉病病葉裁剪前后圖像

        1.2.2 圖像數(shù)據(jù)歸一化

        圖像數(shù)據(jù)歸一化處理,有利于降低計(jì)算量、提升CNN模型的收斂速度和精度。目前歸一化方法種類(lèi)較多,有特征標(biāo)準(zhǔn)化、min-max標(biāo)準(zhǔn)化、log函數(shù)轉(zhuǎn)換、atan函數(shù)轉(zhuǎn)換、模糊量化法等,其中最常用的是min-max標(biāo)準(zhǔn)化和特征標(biāo)準(zhǔn)化。

        min-max標(biāo)準(zhǔn)化通過(guò)對(duì)原始圖像數(shù)據(jù)進(jìn)行線性變換,使其結(jié)果值均能縮放在[0,1]范圍內(nèi),具有保留原始數(shù)據(jù)關(guān)系、消除量綱和數(shù)據(jù)取值范圍的影響等優(yōu)點(diǎn)。但是如果數(shù)據(jù)集中存在某個(gè)數(shù)值過(guò)大時(shí),數(shù)據(jù)歸一化后的各個(gè)結(jié)果值將趨近于0并相差很小。min-max標(biāo)準(zhǔn)化的轉(zhuǎn)換公式為:

        式中,max和min分別為樣本數(shù)據(jù)的最大值和最小值,x和x*分別為數(shù)據(jù)歸一化前后的值。

        特征標(biāo)準(zhǔn)化又稱z-score標(biāo)準(zhǔn)化,是目前使用最多的樣本數(shù)據(jù)歸一化方法,經(jīng)以上公式處理過(guò)的數(shù)據(jù)均值為0,方差為0,標(biāo)準(zhǔn)差為1。這種方法最突出的優(yōu)點(diǎn)就是計(jì)算簡(jiǎn)單,可以消除量級(jí)給分析帶來(lái)的不便。其公式為:

        式中μ為總體數(shù)據(jù)均值,σ為總體數(shù)據(jù)的標(biāo)準(zhǔn)差,x和x*分別為歸一化前后的值。

        特征標(biāo)準(zhǔn)化計(jì)算簡(jiǎn)單,建立的CNN模型效果較好,故本研究使用該方法進(jìn)行圖像歸一化處理。

        1.2.3 圖像數(shù)據(jù)擴(kuò)增

        如樣本數(shù)量少,CNN訓(xùn)練過(guò)程中易出現(xiàn)過(guò)擬合現(xiàn)象。為避免過(guò)擬合現(xiàn)象的發(fā)生,可通過(guò)隨機(jī)旋轉(zhuǎn)和平移的方式擴(kuò)增原始圖像數(shù)量,以提高CNN模型的泛化性。(1)圖像平移。在原始圖像平面上沿水平或豎直方向平移,改變?nèi)~菜霜霉病病斑的位置。結(jié)球白菜霜霉病病葉圖像向左平移10個(gè)像素點(diǎn)的效果如圖3所示。(2)圖像旋轉(zhuǎn)。以隨機(jī)的角度旋轉(zhuǎn)原始圖像,改變?nèi)~菜霜霉病病斑的朝向。菠菜霜霉病病葉圖像逆時(shí)針旋轉(zhuǎn)90°的效果如圖4所示。

        圖3 結(jié)球白菜霜霉病病葉圖像向左平移10個(gè)像素點(diǎn)示意圖

        圖4 菠菜霜霉病病葉圖像逆時(shí)針旋轉(zhuǎn)示意圖

        1.3 圖像數(shù)據(jù)庫(kù)的構(gòu)建

        將所有原始圖像進(jìn)行編號(hào)分類(lèi)并制作標(biāo)簽(標(biāo)簽1為結(jié)球白菜,標(biāo)簽2為菠菜,標(biāo)簽3為萵筍),隨后將原圖像分辨率調(diào)整為50×50。398張?jiān)瓐D像經(jīng)過(guò)隨機(jī)旋轉(zhuǎn)4次、隨機(jī)平移3次(每次平移10個(gè)像素點(diǎn))的操作后,原圖像數(shù)量擴(kuò)增7倍,擴(kuò)增后的總圖像數(shù)量為3 184張,其中結(jié)球白菜霜霉病病葉圖像1 400張、菠菜霜霉病病葉圖像880張、萵筍霜霉病病葉圖像904張。然后按3∶1的比例將擴(kuò)增后的圖像分為訓(xùn)練集和測(cè)試集,即訓(xùn)練集2 388張、測(cè)試集796張。最后將所有的圖像以jpg格式導(dǎo)入計(jì)算機(jī),即完成3種葉菜霜霉病圖像數(shù)據(jù)庫(kù)的構(gòu)建。此數(shù)據(jù)庫(kù)的所有圖像都將作為卷積神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)集,訓(xùn)練集和測(cè)試集中的圖像均由計(jì)算機(jī)隨機(jī)抽取。

        1.4 試驗(yàn)方法

        1.4.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

        卷積神經(jīng)網(wǎng)絡(luò)(CNN)是指一類(lèi)至少在一層用卷積運(yùn)算代替一般的矩陣乘法運(yùn)算,且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)。CNN包含輸入層、卷積層、池化層、全連接層和輸出層等基本結(jié)構(gòu),卷積層與池化層一般交互出現(xiàn)[19]。CNN架構(gòu)可以擴(kuò)展并適應(yīng)復(fù)雜性,以匹配任何給定任務(wù)和數(shù)據(jù)可用性所需的表達(dá)能力。

        1.4.2 VGG16

        VGGNET是一種基于AlexNET的堆疊體系結(jié)構(gòu),可應(yīng)用于圖像識(shí)別分類(lèi)的網(wǎng)絡(luò)模型。VGG16是VGGNET的變體,是一個(gè)16層網(wǎng)絡(luò),包含13個(gè)卷積層和3個(gè)全連接層。VGG16網(wǎng)絡(luò)構(gòu)架及參數(shù)可參考《卷積神經(jīng)網(wǎng)絡(luò)原理與視覺(jué)實(shí)踐》[20],VGG16模型結(jié)構(gòu)可參考《Convolutional neural networks》[21]。

        1.4.3 CNN模型構(gòu)建硬件環(huán)境

        處理器為是Intel Core i7,內(nèi)存32G;軟件環(huán)境是Python 3.7編程語(yǔ)言和基于Python編寫(xiě)的keras 2.1.2高級(jí)神經(jīng)網(wǎng)絡(luò)API,選擇Tensorflow1.6作為運(yùn)行后端。

        2 結(jié)果與分析

        2.1 VGG16-1模型構(gòu)建

        結(jié)合3種葉菜霜霉病病害的特點(diǎn),對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的VGG16模型進(jìn)行修改,構(gòu)建可識(shí)別3種葉菜霜霉病的CNN網(wǎng)絡(luò)識(shí)別模型,并將修改后的模型命名為VGG16-1。VGG16-1模型與VGG16一樣由卷積層、池化層和全連接層等卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)構(gòu)成。VGG16-1模型將傳統(tǒng)的VGG16模型中的13個(gè)卷積層改為2個(gè)卷積層、5層池化層改為1層、3層全連接層數(shù)變?yōu)?層,并在其中加入2個(gè)Dropout層,以避免模型過(guò)擬合現(xiàn)象的發(fā)生。除此之外,VGG16-1模型雖未改變傳統(tǒng)VGG16模型使用的Softmax分類(lèi)器,但傳統(tǒng)的VGG16網(wǎng)絡(luò)用于識(shí)別1 000類(lèi)物體,而本研究涉及的葉菜霜霉病圖像識(shí)別分類(lèi)僅有3類(lèi)圖像,所以將Softmax的輸出分類(lèi)標(biāo)簽類(lèi)編由1 000類(lèi)改為3類(lèi)。傳統(tǒng)VGG16模型使用的ReLU激活函數(shù)具有加快模型訓(xùn)練速度、防止梯度彌散、增加模型非線性、使網(wǎng)絡(luò)更快收斂等優(yōu)點(diǎn),故VGG16-1模型沿用了ReLU激活函數(shù)。VGG16-1模型構(gòu)建流程如圖5所示。

        圖5 VGG16-1模型構(gòu)建流程圖

        VGG16-1模型共有8層,設(shè)置輸入層1個(gè)、卷積層2個(gè)、池化層1個(gè)、Dropout層2個(gè)和全連接層2個(gè)。卷積層中,kernel_size=3,padding=′same′;池化層中,pool_size=(2,2),strides=(2,2);激活函數(shù)選擇ReLU,BATCH_SIZE=32。每層的具體處理過(guò)程為:(1)輸入尺寸為50×50×3的圖像至VGG16-1模型的第1層輸入層;(2)第2層是卷積層,此層里的圖像會(huì)經(jīng)過(guò)32個(gè)3×3大小的卷積核,用于提取圖像特征,輸出的特征圖像尺寸為50×50×32;(3)第3層是Dropout層,輸出的特征圖像進(jìn)入丟失率為0.2的Dropout層,可減少特征圖像的數(shù)量,從而減少冗余;(4)第4層是卷積層,使用的卷積核為3×3,用于提取圖像特征,此層里輸入和輸出的特征圖像的尺寸均為50×50×32;(5)第5層是池化層,此層采用Max?pooling,Pool尺寸是2×2,輸入和輸出的特征圖像分別為50×50×32和25×25×32,最大池化后的特征圖像尺寸縮小了1/2;(6)第6層是全連接層,該層里的特征圖像與一層網(wǎng)絡(luò)進(jìn)行全連接,主要功能是對(duì)由一系列卷積層和池化層檢測(cè)和提取的特征進(jìn)行分類(lèi);(7)第7層是丟失率為0.5的Dropout層,該層減少的特征圖像的數(shù)量更多,能有效降低模型過(guò)擬合現(xiàn)象的發(fā)生概率;(8)第8層是全連接層,該層使用Softmax分類(lèi)器,將卷積層和池化層提取的特征圖像進(jìn)行非線性組合后分類(lèi)輸出。VGG16-1模型各層輸入與輸出的結(jié)果如圖6所示。

        圖6 VGG16-1模型結(jié)構(gòu)

        一般卷積神經(jīng)網(wǎng)絡(luò)模型中的淺層卷積層主要用于圖像低維特征的提取,深層的卷積層則用于提取圖像的高維特征。在卷積層中輸入圖像數(shù)據(jù),經(jīng)過(guò)網(wǎng)絡(luò)中一系列的卷積、池化和激活操作后,不同的特征被檢測(cè)與學(xué)習(xí)。隨著卷積神經(jīng)網(wǎng)絡(luò)模型深度的增加,各層提取的特征越來(lái)越抽象,無(wú)關(guān)信息被剔除,有用的信息得到放大和細(xì)化。但CNN模型的深度并非越深擬合效果越好,過(guò)深的卷積神經(jīng)網(wǎng)絡(luò)反而可能降低精度,同時(shí)大大增加計(jì)算耗時(shí),出現(xiàn)嚴(yán)重的過(guò)擬合。本研究中的VGG16-1模型中兩層卷積層輸出的特征圖像如圖7所示。由于兩層卷積層卷積核數(shù)量均為32個(gè),故每個(gè)卷積層輸出的特征圖數(shù)量均為32張。

        圖7 VGG16-1模型的特征圖

        2.2 VGG16-1模型性能優(yōu)化分析

        不同網(wǎng)絡(luò)模型適用的CNN模型參數(shù)(迭代次數(shù)Epoch、BATCH_SIZE、卷積核尺寸等)不同。本研究通過(guò)微調(diào)VGG16-1模型中的部分參數(shù),以模型的測(cè)試集識(shí)別準(zhǔn)確率和模型訓(xùn)練用時(shí)作為評(píng)估指標(biāo),探究不同參數(shù)對(duì)VGG16-1模型識(shí)別分類(lèi)效果的影響。

        2.2.1 迭代次數(shù)(Epoch)

        迭代次數(shù)Epoch是一個(gè)超參數(shù),用于定義訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型時(shí)通過(guò)完整訓(xùn)練集的一次傳遞。不同CNN模型所適用的迭代次數(shù)不同。本研究將模型的迭代次數(shù)分別設(shè)置為30、50和70,固定模型中的BATCH_SIZE=32,卷積核尺寸為3×3。此時(shí)VGG16-1模型的訓(xùn)練集損失函數(shù)變化曲線如圖8所示。

        圖8 不同迭代次數(shù)下VGG16-1模型的損失函數(shù)變化曲線

        由圖8可以看出,初始VGG16-1模型的均損失率較高,70迭代次數(shù)的模型損失函數(shù)下降速度最快,且模型損失率最低點(diǎn)低于30和50迭代次數(shù)的模型。

        不同迭代次數(shù)訓(xùn)練用時(shí)和測(cè)試集識(shí)別準(zhǔn)確率差異見(jiàn)表1。

        表1 不同迭代次數(shù)訓(xùn)練用時(shí)和測(cè)試集識(shí)別準(zhǔn)確率

        由表1可知,隨著迭代次數(shù)的增加,模型訓(xùn)練用時(shí)也隨之增加,識(shí)別準(zhǔn)確率也相應(yīng)提升。模型迭代30次,訓(xùn)練用時(shí)為10 min,但模型測(cè)試集識(shí)別準(zhǔn)確率較低(77.00%),未達(dá)到預(yù)期效果;模型迭代50次和70次的測(cè)試集識(shí)別準(zhǔn)確率差異不大,但70次迭代的訓(xùn)練用時(shí)較50次增加了5 min。綜上所述,在保證較高識(shí)別準(zhǔn)確率的情況下,迭代50次處理訓(xùn)練用時(shí)最短。因此,迭代次數(shù)為50時(shí),VGG16-1模型結(jié)果最優(yōu)。

        2.2.2 BATCH_SIZE

        在CNN模型中,訓(xùn)練集是分批次輸入模型中進(jìn)行訓(xùn)練的,每批次輸入模型中的圖像數(shù)量即BATCH_SIZE(批次數(shù)),也就是說(shuō)BATCH_SIZE是訓(xùn)練數(shù)據(jù)集的子集。不同CNN模型所適用的BATCH_SIZE不同。本研究將模型的BATCH_SIZE分別設(shè)置為32、64、128和256,模型中迭代次數(shù)為50,卷積核尺寸為3×3。此時(shí)VGG16-1模型的訓(xùn)練集損失函數(shù)變化曲線如圖9所示。

        圖9 不同BATCH_SIZE下VGG16-1模型的損失函數(shù)變化曲線

        由圖9可知,初始VGG16-1模型的損失率相對(duì)較高,隨著B(niǎo)ATCH_SIZE值的增大,模型的損失函數(shù)下降速度減緩;當(dāng)BATCH_SIZE=32時(shí)模型損失函數(shù)下降速度最快,波動(dòng)最少,且模型損失率最低點(diǎn)明顯低于BATCH_SIZE值為128和256時(shí)的模型。

        不同BATCH_SIZE訓(xùn)練用時(shí)和測(cè)試集識(shí)別準(zhǔn)確率差異見(jiàn)表2。

        表2 不同BATCH_SIZE訓(xùn)練用時(shí)和測(cè)試集識(shí)別準(zhǔn)確率

        由表2可知,隨著B(niǎo)ATCH_SIZE的增大,訓(xùn)練用時(shí)逐漸減少,VGG16-1模型識(shí)別準(zhǔn)確率也下降;BATCH_SIZE為32時(shí),模型訓(xùn)練用時(shí)最長(zhǎng),測(cè)試集識(shí)別率最高。所以對(duì)于VGG16-1模型而言,BATCH_SIZE值越大,訓(xùn)練用時(shí)短,泛化能力越弱,模型識(shí)別精度越低。由此可見(jiàn),BATCH_SIZE為32時(shí),模型識(shí)別效果較好。

        2.2.3 卷積核尺寸

        不同CNN模型所適用的卷積核尺寸不同,由于卷積核尺寸大于1×1時(shí)才能提升感受野,且卷積核尺寸為奇數(shù)時(shí)便于后續(xù)的池化操作。所以本研究將模型的卷積核尺寸分別設(shè)置為3×3、5×5、7×7和9×9,模型中BATCH_SIZE=32,迭代次數(shù)為50次。此時(shí)VGG16-1模型的訓(xùn)練集損失函數(shù)變化曲線如圖10所示。

        圖10 不同卷積核尺寸下VGG16-1模型的損失函數(shù)變化曲線

        由圖10可知,初始VGG16-1模型的損失函數(shù)相對(duì)較大,隨著卷積核尺寸的增大,模型的損失函數(shù)下降的速度減緩;卷積核尺寸為3×3時(shí)模型損失函數(shù)下降速度最快,波動(dòng)最小。

        不同卷積核尺寸訓(xùn)練用時(shí)和測(cè)試集識(shí)別準(zhǔn)確率差異見(jiàn)表3。

        表3 不同卷積核尺寸訓(xùn)練用時(shí)和測(cè)試集識(shí)別準(zhǔn)確率

        由表3可知,尺寸為3×3的卷積核識(shí)別準(zhǔn)確率較高(95.67%),訓(xùn)練用時(shí)為20 min;隨著卷積核尺寸的增大,模型識(shí)別準(zhǔn)確率下降,訓(xùn)練用時(shí)先減少后不變??梢?jiàn),對(duì)于VGG16-1模型而言,3×3的卷積核最適用。尺寸較小的卷積核對(duì)葉菜霜霉病局部病害的細(xì)小特征提取能力更強(qiáng),當(dāng)葉面上存在較多的霜霉病病斑時(shí),較小尺寸的卷積核可提高模型識(shí)別的準(zhǔn)確率。

        3 討論

        本研究基于傳統(tǒng)VGG16網(wǎng)絡(luò),構(gòu)建了識(shí)別結(jié)球白菜、菠菜、萵筍霜霉病的卷積神經(jīng)網(wǎng)絡(luò)VGG16-1模型。從模型的構(gòu)建方法來(lái)看,VGG16-1模型相較于傳統(tǒng)的機(jī)器學(xué)習(xí),省去了手動(dòng)提取和篩選特征參數(shù)的步驟,模型構(gòu)建更便捷,同時(shí)避免了因提取手段不同而導(dǎo)致的特征參數(shù)標(biāo)準(zhǔn)不同的問(wèn)題[22]。VGG16-1模型直接輸入整張圖像,圖像信息損失量少,神經(jīng)網(wǎng)絡(luò)能用于計(jì)算分析的信息更多,預(yù)測(cè)精度有更大的提升空間。

        已有研究表明,通過(guò)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可提高作物病害識(shí)別的精確率。張善文[23]基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別蘋(píng)果病害,能克服模型過(guò)擬合問(wèn)題,提高病害識(shí)別率;張建華[5]通過(guò)改進(jìn)VGG16網(wǎng)絡(luò)模型,實(shí)現(xiàn)了棉花不同病害的分類(lèi)識(shí)別,識(shí)別率達(dá)到89.51%;邱靖等[19]以keras為學(xué)習(xí)框架,通過(guò)設(shè)置不同的卷積核尺寸和池化函數(shù),實(shí)現(xiàn)了水稻3種常見(jiàn)病害的分類(lèi)識(shí)別;鮑文霞[24]基于VGG16網(wǎng)絡(luò)模型,使用預(yù)訓(xùn)練模型初始化瓶頸層參數(shù),采用SK卷積塊及全局平均池化,提高了識(shí)別微小病斑的能力,提升了蘋(píng)果葉部病害識(shí)別的準(zhǔn)確率。本研究通過(guò)改進(jìn)傳統(tǒng)VGG16網(wǎng)絡(luò)模型構(gòu)建的VGG16-1模型可以有效識(shí)別3種葉菜霜霉病。

        另外,本研究在借鑒丁瑞[25]的圖像搜集方法的基礎(chǔ)上,加入了電子書(shū)籍圖譜收集原圖像。與網(wǎng)絡(luò)檢索圖像相比,該方法獲取到的圖像無(wú)關(guān)信息少,圖像質(zhì)量更高、數(shù)量更多。但本研究所獲得的樣本數(shù)據(jù)量依舊較小,后期的研究應(yīng)增加霜霉病病菌侵染植株試驗(yàn),以盡量獲取更多的樣本數(shù)據(jù)。

        4 小結(jié)

        本研究通過(guò)圖像搜集、圖像預(yù)處理和圖像擴(kuò)增,構(gòu)建了白菜、菠菜、萵筍霜霉病圖像數(shù)據(jù)庫(kù),并將數(shù)據(jù)庫(kù)運(yùn)用于構(gòu)建的VGG16-1模型中。通過(guò)微調(diào)模型中的部分參數(shù),探究了迭代次數(shù)、BATCH_SIZE和卷積核尺寸3種模型參數(shù)對(duì)VGG16-1模型分類(lèi)識(shí)別效果的影響。試驗(yàn)結(jié)果表明,迭代次數(shù)為50次、BATCH_SIZE為32、卷積核尺寸為3×3時(shí),VGG16-1模型效果較好,訓(xùn)練用時(shí)為20 min,模型識(shí)別的準(zhǔn)確率為95.67%。

        猜你喜歡
        霜霉病準(zhǔn)確率卷積
        不用藥 兩招搞定黃瓜霜霉病
        基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
        乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
        健康之家(2021年19期)2021-05-23 11:17:39
        不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
        2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
        多種殺菌劑對(duì)蠶豆霜霉病田間防治效果比較
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        高速公路車(chē)牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        黃瓜霜霉病發(fā)病癥狀及其防治技術(shù)
        吉林蔬菜(2017年4期)2017-04-18 03:12:48
        国产精品久久久久久无码| 国产精品久久久在线看| 国产a级三级三级三级| 中国凸偷窥xxxx自由视频| 精品亚洲国产探花在线播放| 激情视频在线观看免费播放| 91精品国产福利在线观看麻豆| 欧美性xxxx极品高清| 亚洲av日韩精品久久久久久| 久久精品国产亚洲av成人擦边| 加勒比婷婷色综合久久| 中文字幕人妻第一区| 日本www一道久久久免费榴莲| 无遮挡很爽视频在线观看 | 97无码免费人妻超级碰碰夜夜| 正在播放一区| 美女一区二区三区在线观看视频| 中文有码人妻字幕在线| a级毛片免费完整视频| 四虎在线播放免费永久视频| 成人免费毛片在线播放| 亚洲国产色一区二区三区| 国产精品无码久久久久| 中文不卡视频| 中文字幕精品一区二区三区av| 午夜成人理论福利片| 亚洲日本va午夜在线影院| 国产三级黄色片子看曰逼大片| 婷婷色精品一区二区激情| 欧美乱妇高清无乱码在线观看| 国产a级网站| 国产精品自拍视频免费看| 免费在线黄色电影| 丰满人妻熟妇乱又伦精品视| 青青草免费激情自拍视频| 蜜桃a人妻精品一区二区三区| 东北妇女xx做爰视频| 国产日韩精品一区二区在线观看播放 | 一区二区三区最新中文字幕 | 国产一区二区三区白浆在线观看| 国产成年人毛片在线99|