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

        ?

        一種基于集成學(xué)習(xí)的蘋果葉片病害檢測方法

        2022-11-16 04:13:26孫長蘭林海峰
        江蘇農(nóng)業(yè)科學(xué) 2022年20期
        關(guān)鍵詞:蘋果樹病害蘋果

        孫長蘭,林海峰

        (南京林業(yè)大學(xué)信息科學(xué)技術(shù)學(xué)院,江蘇南京 210037)

        蘋果是人們喜愛的水果之一,在其種植到成熟的過程中,因?yàn)楦鞣N病蟲害的危害導(dǎo)致其產(chǎn)量急劇下降,帶來巨大的經(jīng)濟(jì)損失。及時(shí)檢測出蘋果葉部病害對果農(nóng)們非常重要。以往人們對農(nóng)作物病害識別靠的是該領(lǐng)域的專家對葉片進(jìn)行細(xì)致觀察得出結(jié)論[1]。然而這種方法過多地依賴個(gè)人經(jīng)驗(yàn),如果產(chǎn)生了大面積的病蟲害,這種方法顯然效率太低,而且還會由于人力資源的不足導(dǎo)致誤判和漏判。因此,解決農(nóng)作物病蟲害檢測問題顯得尤為重要。近年來,隨著計(jì)算機(jī)技術(shù)的發(fā)展,越來越多的研究人員嘗試將深度學(xué)習(xí)應(yīng)用在農(nóng)作物病蟲害的識別領(lǐng)域中[2]。

        近年來,周敏敏提出基于遷移學(xué)習(xí)的蘋果葉面病害Android檢測系統(tǒng),采用Faster R_CNN算法和VGG-16對蘋果樹病害圖像進(jìn)行特征提取并將訓(xùn)練結(jié)果應(yīng)用到Android系統(tǒng)[3]。最終在5種蘋果病害檢測中,實(shí)現(xiàn)其平均精度(mAP)為76.55%。但該方法所采集的數(shù)據(jù)集沒有針對不同的發(fā)病期進(jìn)行細(xì)致劃分。Jiang等提出一種基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的蘋果樹葉片病害檢測方法,使用一種新的模型INAR_SSD,把該模型用于5種常見的蘋果樹葉片病害,實(shí)現(xiàn)了78.80% mAP的檢測性能,檢測速度高達(dá)23.13 FPS[4]。但該方法僅適用于背景簡單的葉片圖像,在實(shí)際背景復(fù)雜的蘋果樹葉片病害檢測中存在一定的局限性。邸潔等采用目標(biāo)檢測 Tiny-YOLO 算法對3種常見的蘋果葉片進(jìn)行識別檢測,平均精度可達(dá)83.54%,但該方法僅把5種病害進(jìn)行了簡單的分類,并沒有檢測出病害發(fā)生的具體位置[5]。李鑫然等采用改進(jìn)的Faster R_CNN網(wǎng)絡(luò),通過特征金字塔網(wǎng)絡(luò),將具有語義信息的深度特征和具有細(xì)節(jié)信息的淺層特征進(jìn)行融合,對5種蘋果樹葉片病害檢測,平均精度可達(dá)82.28%,但該方法同樣會把背景信息誤判為需要提取的特征信息[6]。

        以上所提的方法大多是采用單個(gè)的目標(biāo)檢測網(wǎng)絡(luò)檢測蘋果樹葉片病害產(chǎn)生的位置,很少有將2個(gè)模型同時(shí)使用來降低誤判或者漏判的可能性[7]。因此,本研究提出一種基于集成學(xué)習(xí)的蘋果樹葉片病害檢測新方法。首先,由于蘋果樹葉片病害背景較為復(fù)雜且病害點(diǎn)復(fù)雜多樣,使用單一的模型檢測病害并不能取得很好的效果[8-11]。經(jīng)驗(yàn)表明,每個(gè)模型都具有從不同的模型提取不同特征的優(yōu)勢。因此,選擇2個(gè)不同的模型(YOLOv5[12]和EfficientDet[13])進(jìn)行融合、利用各自模型的優(yōu)勢可以顯著提高模型的魯棒性、提高檢測性能。在實(shí)際試驗(yàn)中,單獨(dú)使用YOLOv5和EfficientDet目標(biāo)檢測器,以并行的方式檢測蘋果葉片病害,最后使用非極大值抑制算法去除模型檢測中產(chǎn)生的冗余框。

        1 材料與方法

        本研究提出一種高效的集成策略(YEUnion),集成2個(gè)單獨(dú)的模型實(shí)現(xiàn)模型間的優(yōu)勢互補(bǔ),經(jīng)過2個(gè)模型并行處理并采取非極大值抑制算法去除冗余框,最后完成目標(biāo)識別。試驗(yàn)于2021年6月12日定植至2021年9月24日,在南京林業(yè)大學(xué)軟件工程實(shí)驗(yàn)室進(jìn)行。

        1.1 數(shù)據(jù)集

        本研究所使用的試驗(yàn)數(shù)據(jù)集均來自公開數(shù)據(jù)集PlantVillage[14],PlantVillage數(shù)據(jù)集包含多種植物葉片圖像和相應(yīng)的標(biāo)簽。本研究所使用的蘋果病害葉片類型分別是黑星病、黑腐病、雪松銹病,具體見圖1。其中,葉片黑星病的圖片共有630張,葉片黑腐病的圖片共有621張,葉片雪松銹病共有275張,總共1 526張。

        將所有數(shù)據(jù)集按照9 ∶1劃分為訓(xùn)練集和測試集。為了得到更好的檢測效果,須要對葉片圖像進(jìn)行預(yù)處理,由于圖片的尺寸不一,產(chǎn)生很多冗余信息。通過編寫python腳本把葉片圖像尺寸統(tǒng)一調(diào)整到224×224×3像素。

        1.2 圖像標(biāo)注

        數(shù)據(jù)集的標(biāo)注同樣也是深度學(xué)習(xí)中非常重要的一個(gè)環(huán)節(jié),所標(biāo)注的圖片質(zhì)量直接決定了模型訓(xùn)練效果和目標(biāo)檢測準(zhǔn)確率[15]。就普通對象而言,標(biāo)注框需要緊貼目標(biāo)對象邊緣,且誤差必須小于2個(gè)像素點(diǎn)(圖2-a)。但是,蘋果樹葉片病害是一個(gè)極特殊的對象,它沒有清晰的輪廓,紋理特征較為復(fù)雜。這種“不確定性”給數(shù)據(jù)標(biāo)注帶來了極大的困難,目前病害識別領(lǐng)域尚未有一種公認(rèn)的病害標(biāo)注規(guī)則。Lee等針對該問題做了深入的研究,并提出了3種不同病害標(biāo)注策略[16]。本研究以蘋果樹葉片黑腐病為例展示病害的3種標(biāo)注策略,具體見圖3。

        本研究使用YOLOv5模型和EfficientDet模型同時(shí)訓(xùn)練蘋果樹葉片數(shù)據(jù)集。首先需要完成數(shù)據(jù)集的標(biāo)注任務(wù)。本研究使用labelImg軟件對圖像采用混合標(biāo)注法(對病害區(qū)域分塊標(biāo)注)進(jìn)行手工標(biāo)注,具體操作方法是:對圖片中的病害點(diǎn)進(jìn)行標(biāo)注并附上自定義的標(biāo)簽。程序會自動(dòng)生成一個(gè)xml文件,一個(gè)xml文件主要由圖片名稱、圖像尺寸、標(biāo)注矩形框坐標(biāo)、目標(biāo)物類別等組成。

        下面以蘋果葉片黑腐病為例展示數(shù)據(jù)的標(biāo)注和標(biāo)注后的結(jié)果。圖中綠色的框表示標(biāo)注的病害位置。標(biāo)注后生成的xml文件如圖2-b所示。

        1.3 YOLOv5

        YOLO的全稱為you only look once,由Redmon等提出,是一種單階段目標(biāo)檢測算法[17]。YOLOv5在YOLOv4算法的基礎(chǔ)上做了進(jìn)一步的改進(jìn),檢測性能得到進(jìn)一步的提升。持續(xù)的改進(jìn)使得這個(gè)目標(biāo)檢測模型在2個(gè)官方數(shù)據(jù)集(Microsoft COCO[18]、Pascal VOC[19])取得很好的檢測效果。它因具有體積小、速度快、高精度等優(yōu)點(diǎn)而被當(dāng)今學(xué)術(shù)研究者廣泛使用。YOLOv5的具體結(jié)構(gòu)見圖4。本研究采用YOLOv5作為第1個(gè)目標(biāo)檢測模型有3個(gè)原因。首先,YOLOv5將跨階段部分網(wǎng)絡(luò)(CSPNet[20])并入了Darknet,創(chuàng)建了CSPDarknet作為其主干網(wǎng)絡(luò)。CSPNet解決了大規(guī)模主干網(wǎng)中梯度信息重復(fù)的問題,將梯度變化集成到特征圖中,從而減少了模型的參數(shù)和浮點(diǎn)運(yùn)算,不僅保證了推理的速度和準(zhǔn)確性,還減小了模型的體積。在蘋果葉片病蟲害檢測任務(wù)中,檢測速度和精度是必不可少的,緊湊的模型尺寸也決定了其在資源貧乏的邊緣設(shè)備上的推斷效率。其次,YOLOv5應(yīng)用路徑聚合網(wǎng)絡(luò)(PANet[21])作為其特征融合網(wǎng)絡(luò)(Neck),以促進(jìn)信息流。PANet采用了一種新的特征金字塔網(wǎng)絡(luò)(FPN)結(jié)構(gòu),增強(qiáng)了自底向上的路徑,提高了底層特征的傳播。最后,YOLOv5的輸入端采用了Mosaic數(shù)據(jù)增強(qiáng)方式、可豐富檢測的數(shù)據(jù)集來增強(qiáng)識別能力。YOLOv5包含多種常用的網(wǎng)絡(luò)模型權(quán)重文件,如YOLOv5s、YOLOv5m等。本研究采用的是YOLOv5s,它有體積小、權(quán)重低、運(yùn)算速度快等優(yōu)勢。

        YOLOv5模型不僅能成功分類病害所屬類別,還能準(zhǔn)確地定位病害產(chǎn)生的位置,這對果農(nóng)和專家判斷蘋果葉片是否有病害起著非常關(guān)鍵的作用。

        YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)主要包含:主干網(wǎng)絡(luò)(Backbone)CSPDarknet、特征融合網(wǎng)絡(luò)(Neck)PANet、前端網(wǎng)絡(luò)(Head)Yolo層三大部分。

        1.4 EfficientDet

        EfficientDet是Google公司開發(fā)的一個(gè)新的目標(biāo)檢測模型,在廣泛的資源限制下,它始終比現(xiàn)有技術(shù)實(shí)現(xiàn)更高的效率[22]。與YOLOv5類似,EfficientDet在Pascal VOC和Microsoft COCO任務(wù)中也取得了顯著的性能,并廣泛應(yīng)用于現(xiàn)實(shí)研究中。

        EfficientDet的網(wǎng)絡(luò)架構(gòu)如圖5所示。本研究選擇EfficientDet作為第2個(gè)模型有3個(gè)原因。首先,EfficientDet采用最先進(jìn)的網(wǎng)絡(luò)EfficientNet[23]作為其主干網(wǎng)絡(luò),使得該模型能夠充分學(xué)習(xí)各種蘋果葉片病蟲害的復(fù)雜紋理特征。其次,它采用了一種改進(jìn)的PANet,稱為雙向特征金字塔網(wǎng)絡(luò)(Bi-FPN)作為其特征融合網(wǎng)絡(luò),以實(shí)現(xiàn)簡單快速的多尺度特征融合。與YOLOv5特征融合網(wǎng)絡(luò)相比,Bi-FPN具有參數(shù)少、重復(fù)次數(shù)少的優(yōu)點(diǎn)。同時(shí),不同的特征融合策略帶來了不同的語義信息,從而帶來了不同的檢測結(jié)果。最后,與EfficientNet類似,它集成了一種復(fù)合縮放方法,可同時(shí)對所有主干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和類別預(yù)測網(wǎng)絡(luò)的分辨率、深度和寬度進(jìn)行統(tǒng)一縮放[24]。在有限的計(jì)算資源下,確保了最大的準(zhǔn)確性和效率。第2個(gè)模型EfficientDet擁有不同的主干網(wǎng)絡(luò)、特征融合網(wǎng)絡(luò)和前端網(wǎng)絡(luò),可以學(xué)習(xí)YOLOv5無法學(xué)習(xí)的不同信息。

        它包括主干網(wǎng)絡(luò)(Backbone)EfficientNet、特征融合網(wǎng)絡(luò)(Neck)Bi-FPN、前端網(wǎng)絡(luò)(Head)3個(gè)部分。與YOLOv5類似,數(shù)據(jù)首先輸入EfficientNet網(wǎng)絡(luò)中進(jìn)行特征提取,然后送入特征融合網(wǎng)絡(luò)進(jìn)行特征融合。最后,再由前端網(wǎng)絡(luò)輸出模型的檢測結(jié)果。

        1.5 YEUnion集成模型

        在實(shí)際的蘋果樹葉片病害檢測問題上,由于葉片病害的紋理是動(dòng)態(tài)變化的。不同發(fā)病期、不同地區(qū)的氣候條件、種植條件等因素都會對病害目標(biāo)大小、特征顏色、區(qū)域分布產(chǎn)生影響,這給蘋果樹葉片病害的檢測帶來很大困難。

        以YOLOv5和EfficientDet為例,YOLOv5擅長大面積病蟲害的檢測,對小目標(biāo)的檢測困難且會發(fā)生漏檢問題。與此同時(shí),盡管EfficientDet對大面積葉面病蟲害檢測敏感度較低,但它比YOLOv5更為“仔細(xì)”,可以同時(shí)識別出葉片中盡可能多的病害。

        因此,本研究提出一種高效的集成策略——YEUnion(圖6)。集成2個(gè)單獨(dú)的模型,實(shí)現(xiàn)模型間的優(yōu)勢互補(bǔ),以輸入蘋果樹葉片黑星病為例,經(jīng)過2個(gè)模型并行處理、后經(jīng)過非極大值抑制[25](non-maximum suppression,NMS)算法去除冗余框,最后完成蘋果樹葉片病害的檢測。

        以蘋果樹葉片黑腐病為例,匯總后的預(yù)測框大致分為圖7中的3種情況:圖7-a中,YOLOv5(藍(lán)色標(biāo)注)和EfficientDet(黃色標(biāo)注)檢測模型均正確識別出了上下2個(gè)病害點(diǎn);圖7-b中,YOLOv5檢測模型識別出了下面的病害點(diǎn)而EfficientDet檢測模型識別出了上面的病害點(diǎn);圖7-c 中,YOLOv5識別出了上面的病害點(diǎn)而EfficientDet識別出了下面的病害點(diǎn)。針對這3種情況,本研究采用非極大值抑制算法,其偽代碼見表1。該算法的原理是將一個(gè)目標(biāo)對應(yīng)的所有預(yù)測框按預(yù)測分?jǐn)?shù)高低進(jìn)行排序,然后以分?jǐn)?shù)最高的預(yù)測框?yàn)榛鶞?zhǔn),分別計(jì)算與其他預(yù)測框的交并比,最后將交并比超過閾值(默認(rèn)為0.5)的預(yù)測框視為冗余框并將它們移除。因此,圖7-a中的冗余預(yù)測框?qū)⒈灰瞥?,只保留預(yù)測分?jǐn)?shù)最高的框。此外,圖7-b 和圖7-c中分別來自2個(gè)模型的預(yù)測框也均被保留,實(shí)現(xiàn)了個(gè)體模型之間的優(yōu)勢互補(bǔ),進(jìn)而減少了漏檢問題。

        2 試驗(yàn)結(jié)果與分析

        2.1 試驗(yàn)環(huán)境及參數(shù)設(shè)置

        本試驗(yàn)于2021年在谷歌云實(shí)驗(yàn)室(Google Colaboratory)完成訓(xùn)練和測試過程。

        表1 非極大值抑制算法偽代碼

        谷歌云實(shí)驗(yàn)室的配置可參考表2。在訓(xùn)練數(shù)據(jù)之前,將試驗(yàn)數(shù)據(jù)集按照9 ∶1劃分為訓(xùn)練集和測試集。只有訓(xùn)練集參與實(shí)際的模型訓(xùn)練過程,而測試集只用來評估模型的精度。試驗(yàn)中YOLOv5模型和EfficientDet模型訓(xùn)練的細(xì)節(jié)見表3。

        表2 試驗(yàn)環(huán)境配置

        表3 模型訓(xùn)練的細(xì)節(jié)

        2.2 試驗(yàn)結(jié)果

        為了驗(yàn)證本試驗(yàn)所提出的模型,采用mAP@.5、參數(shù)量來評價(jià)模型的好壞。目標(biāo)檢測中常用的用來評價(jià)模型好壞的指標(biāo)還有mAP@[.5:.95]。mAP@.5指在交并比(IOU)閾值為0.5時(shí)的所有類別的平均精度。本研究所使用的精度(AP)指單個(gè)類別的平均精度,通常該值越大,表明模型學(xué)習(xí)的效果越好,反之則越差。mAP的計(jì)算方法:先計(jì)算每一類別的AP,AP是P-R曲線圍成的面積,P和R分別指查準(zhǔn)率、查全率,然后再計(jì)算所有類別的平均值[28]。模型的參數(shù)量直接決定了模型計(jì)算的空間復(fù)雜度。

        查準(zhǔn)率=成功檢測到的病害圖片數(shù)量/(成功檢測到的病害圖片數(shù)量+檢測錯(cuò)誤的病害圖片數(shù)量)。

        查全率=成功檢測到的病害圖片數(shù)量/(成功檢測到的病害圖片數(shù)量+沒有檢測到的病害圖片數(shù)量)。

        2.3 結(jié)果分析

        由表4的試驗(yàn)數(shù)據(jù)可知,從檢測精度分析,本研究提出的YEUnion模型對3種蘋果葉片病害的檢測精度均有明顯提升。在IOU閾值為0.5的情況下,其mAP為73.4%,和單個(gè)模型YOLOv5和EfficientDet相比分別提高了3.0%、4.8%。EfficientDet模型檢測結(jié)果最低,因?yàn)楸狙芯克褂玫臋?quán)重文件是EfficientDet-D0,該權(quán)重文件在EfficientDet家族中參數(shù)量最小且運(yùn)算速度較快。因此,綜合考慮試驗(yàn)的結(jié)果,在檢測精度、算法運(yùn)算的空間復(fù)雜度方面,本研究所提出的YEUnion模型具有更強(qiáng)的抗干擾能力,能夠更好地區(qū)分復(fù)雜背景和特征點(diǎn),能更有效地完成3種蘋果葉片病害的檢測工作。

        表4 3個(gè)模型的檢測結(jié)果

        3 結(jié)論

        本研究提出了一種基于集成學(xué)習(xí)的蘋果樹葉片病害檢測模型,解決了實(shí)際條件下蘋果樹葉片病害圖像由于背景重復(fù)、病斑較小而帶來的漏檢問題。提出使用YOLOv5和EfficientDet模型并行執(zhí)行的新方法。由于YOLOv5模型適合大區(qū)域型的病害檢測,EfficientDet模型比YOLOv5的檢測更加“仔細(xì)”,二者可以實(shí)現(xiàn)優(yōu)勢互補(bǔ),可有效提高模型的性能。通過試驗(yàn)證明,本研究提出的模型對3種蘋果葉片病害檢測的平均精度均值可達(dá)73.4%,在實(shí)際的蘋果葉片病害檢測方面更具有實(shí)用性。

        試驗(yàn)結(jié)果表明,集成學(xué)習(xí)的策略顯著改善了蘋果樹葉片病害檢測任務(wù)中普遍存在的漏檢問題。與單個(gè)的目標(biāo)檢測器相比,本研究的模型在平均準(zhǔn)確率、算法空間復(fù)雜度之間實(shí)現(xiàn)了更好的折中。這些重大改進(jìn)使該模型能夠在實(shí)際病蟲害檢測應(yīng)用中表現(xiàn)良好,本研究提出的基于集成學(xué)習(xí)的方法在病害檢測任務(wù)中取得了不錯(cuò)的效果。

        猜你喜歡
        蘋果樹病害蘋果
        早春養(yǎng)羊需防六大病害
        小麥常見三種病害咋防治
        葡萄病害周年防治歷
        煙臺果樹(2021年2期)2021-07-21 07:18:28
        做一顆永遠(yuǎn)成長的蘋果樹
        文苑(2020年10期)2020-11-22 03:28:43
        果樹休眠期咋防病害
        收獲蘋果
        有毒的蘋果
        拿蘋果
        蘋果樹
        會說話的蘋果
        日本不卡视频一区二区| 国产福利酱国产一区二区| 巨臀精品无码AV在线播放| 成人av资源在线观看| 国产精品视频一区二区三区不卡| 又白又嫩毛又多15p| 国产成人av在线影院无毒| 国产精品自拍网站在线| 亚洲欧洲日产国码av系列天堂| 强行无套内谢大学生初次| 337p日本欧洲亚洲大胆色噜噜| 在线观看国产av一区二区| 国产成人av一区二区三区不卡| 亚洲国产精品第一区二区| 精品国产一区二区三区AV小说| 一本大道加勒比东京热| 亚洲国产精品美女久久| 亚洲av永久无码精品一区二区| 亚洲三级香港三级久久| 日本国产一区二区在线观看| 久久久国产精品va麻豆| 国产午夜视频在线观看| 一区二区三无码| 亚洲日本一区二区三区四区| 久久无码av一区二区三区| 欧美一欧美一区二三区性| 中文字幕久久人妻av| 亚洲最新无码中文字幕久久| 日本熟妇人妻xxxxx视频| 啪啪网站免费观看| 69精品国产乱码久久久| 亚洲乱亚洲乱妇50p| 亚洲一级毛片免费在线观看| 国产成人夜色在线视频观看| 日本一区二区三区高清在线视频| 国产高潮刺激叫喊视频| 青青草视频华人绿色在线| 男女啪啪在线视频网站| 51看片免费视频在观看| 欧美亚洲综合激情在线| 中文片内射在线视频播放|