文摘

超级CCD和ISOCELL GW1成像传感器用于捕获图像高分辨率的相机。这些高分辨率相机传感器用于这项工作获得黑克植物叶子病自然种植领域的图像。分段植物叶子从黑克地区种植场图像是一个初步的步骤疾病识别和分类。它也有助于农民评估植物的健康和识别疾病在早期阶段。尽管植物叶子区域分割已经有效地处理在许多贡献,不存在普遍适用的解决方案来解决所有问题。因此,一种方法提取叶地区从黑克植物叶子图像是本文中给出。该方法的新颖性在于MobileNetV2一直用作骨干网DeepLabv3 +层段植物叶子的地区。DeepLabv3 + MobileNetV2分割模型表现出优越的性能相比其他模型(SegNet、U-Net DeepLabv3 + ResNet18, ResNet50, Xception,和InceptionResNetV2)的准确性为99.71%,98.72%的骰子,Jaccard /当数据扩充应用97.47%的借据。使用MATLAB软件的算法开发和培训。每次试验中报道在本文中超过之前的发现。

1。介绍

农业是消除极端贫困的最有效的工具之一,提高经济繁荣,和饲料97亿人,预计到2050年。它在2018年贡献了全球GDP的4%,可能占GDP的25%以上在某些发展中国家,在经济增长起着至关重要的作用1]。根据2016年的研究中,农业提供65%的贫穷的劳动人民的生计。全球领先的农业部门现在人类面临的问题是粮食不安全,植物病害的一个重要来源。在农村地区,专家们常常发现,通过他们的肉眼鉴定植物病害。然而,识别疾病在早期阶段,专家必须始终存在,这是费时和昂贵的农民。自动确定采取的措施方法将有效改善工厂的质量和生产率/作物。

目前大多数专业RGB相机捕捉高分辨率图像使用CCD图像传感器的滤色器。是一个重要的需要高分辨率的图像数据在不同的研究领域,如医疗、军事、和农业。CCD图像传感器广泛应用于数码相机和被发现在这些领域进行图像采集。获取高质量的图像利用CCD图像传感器,索尼推出了一款名为了CCD技术。通过使用这种技术,灵敏度增加明显比以前的版本。ISOCELL GW1三星推出的高分辨率64像素的图像传感器。该成像传感器支持实时高动态范围高达100分贝。GW1传感器采用常规心电图(双重转换增益)将捕获的光转换成一个电信号和超级P.D.快速自动对焦。利用这两种成像传感器的设备被用于这对图像采集工作。COVID-19大流行期间,人工智能是广泛应用于生物医学和农业图像处理应用程序(2- - - - - -4]。在人工智能中,卷积神经网络(cnn)各计算机视觉应用证明了它们的有效性。语义分割使用深,完全卷积网络是计算机视觉的一个重要任务,已有效地应用在多个领域,包括医学、农业、和自动驾驶5- - - - - -7]。在这项工作中,我们旨在采用语义分割技术提取植物叶子从黑克地区植物叶子上有复杂的背景图像。

黑克是一个非常珍贵的脉冲作物生长在印度次大陆。大多数谷物的必需氨基酸被黑克补充,使其印度饮食的必要组成部分。它提供了对人类健康有很多好处,包括维持心率,减少炎症,协助皮肤保养,增加骨强度,增强神经系统,改善消化系统。黑克作物能够承受恶劣天气条件和修复大气氮在土壤,提高土壤肥力。黑克作物记录高达22.10公斤的氮每公顷,相当于每年5.9万吨尿素补充。黑克作物的生产力降低,因为最常见的疾病,如叶子沙沙声,黄色马赛克,白粉病、炭疽病。提高农作物产量要求准确和及时识别和分类等疾病。

分段植物叶子区域从图像疾病分类识别是至关重要的。许多作者为这一领域的研究做出了重要的贡献在其发展的早期阶段,引入大量的基于边缘的方法,区域、集群、阈值和分水岭技术(8- - - - - -10),都是今天仍在使用。但这些方法有很多局限性;他们不正确处理太多的边缘,对噪声敏感,和昂贵的时间,内存和计算。尽管植物叶子区域分割已经有效地处理在许多贡献,不存在普遍适用的解决方案来解决所有问题。一个全面的方法从植物叶子图像中提取叶地区因此本文。该方法的新颖性在于MobileNetV2一直用作骨干网DeepLabv3 +层段植物叶子的地区。与其他采用语义分割网络相比,这种组合是更有效的时间,计算,和大小。

这篇文章的重大贡献如下:(我)黑克植物叶子疾病(BPLD)数据集收集拍摄的图像从栽培领域使用的设备在高分辨率超级CCD和ISOCELL GW1成像传感器(一)数据收集使用两种不同的成像传感器设备。第一个装置是索尼数码相机DSC-H300相机使用超级CCD成像传感器有一个强大的35倍光学变焦和20.1像素的分辨率。第二个设备是三星Galaxy智能手机使用一个ISOCELL F41 GW1成像传感器:64像素和f / 1.89的光圈。Nagayalanka,安得拉邦,印度,纬度和经度15.9455°N, 80.9180°E是数据源的位置。最初的RGB图像有不同的维度由于各种设备的使用情况,然后降低 在预处理阶段使用MATLAB软件(11](2)地面实况标签生成的图像数据集的帮助下一个农业专家使用MATLAB中的图像裂殖体工具(3)SegNet、U-Net DeepLabv3 +语义分割架构实施从具有复杂背景的图像中提取叶区域。虽然实现DeepLabv3 +架构,使用ResNet18权重被初始化,ResNet50 MobileNetV2 Xception, InceptionResNetV2模型(iv)所有的实验,没有数据增强技术了解有限的可用数据的强度

研究人员进行了几项研究在植物表型出现在过去的几年里解决问题,如植物种类识别、异常检测、叶区域分割,计算叶子,和疾病严重程度的评估。分割、特征提取和分类是必不可少的在自动植物叶子疾病检测的计算机视觉算法。分割是一种重要的和必要的步骤在疾病分类高度影响分类精度的算法。几种方法从背景中提取叶地区已报告在文献中。这些技术成功当目标叶地区有一个均匀的环境和患有不同的经历。只有少数作者于复杂的场景分割算法在文献中报道。然而,只有少数成功区分叶区域,必须进一步提高。

Minervini et al。12)开发出一种技术,自动从拟南芥植物部分,分析植物标本图像从实验室获得的环境。该方法主要依赖于基于水平集和学习分割。作者实现了骰子相似系数(DSC)的96.7%,和技术可以部分甚至在看不见的背景图像。Ozturk和Akdemir13)提出了一个基于灰太狼优化器的自动分割方法用于优化神经网络,取得了99.31%的准确率在简单的背景植物叶子图像。阴et al。14)提出了一个multileaf分割、对齐和荧光植物拟南芥的视频跟踪系统。作者评估与度量的算法SAT精度(基于叶数(F),对齐(E)和跟踪(T)和作为骰子最好(对称)。拟议的框架是叶子分割测试挑战(LSC)作为数据集,取得了78%的准确性。Kumar和Domnic15)提出了一个三步叶区域提取和离开计数法在数字图像。在这部作品中,作者采用了一种基于图的方法叶区域分割和圆形霍夫变换(十)离开计数。汗和Debnath16)提出了一种新的分割方法细分单一或重叠的叶子获取每个叶子的轮廓。模型实现分割单叶子和86.73% 95.34%重叠的树叶。Jeyalakshmi和达17)开发了一个增强GrabCut算法,不需要人工干预,从健康和不健康的植物叶子中提取叶区域图像。

帕蒂尔和Amarapur18)提出了一个新颖的叶萃取技术基于修改该活动轮廓(MFACM)。番茄叶病具有复杂背景的图像是利用恩et al。19]提出KijaniNet能够有效地去除复杂的环境。结果清楚的表明,建议CNN模型执行比当前的方法,与平均加权的十字路口/ 0.9766和一个联盟 分别得分为0.9493分。杨et al。20.)提出了一个15-class物种分类模型,该模型结合了面具R-CNN VGG16分割和分类,分别。细分模式的有效性测量使用错误分类错误(硕士),和马面具R-CNN提出实现低1.15% GrabCut和大津分割算法。熊等。21)开发的自动图像分割算法(亚洲)使用GrabCut技术来设计一个作物疾病分类模型的扩展PlantVillage数据集。拟议中的细分模式实现了与GrabCut纠正率为95%对87%。分割一个实例方法,ISC-MRCNN,是由杨et al。22解决复杂的背景问题,影响植物叶子图像的分类性能。最后,ISC-MRCNN得到的结果作为输入的APS-DCCNN分类。建议ISC-MRCNN精度平均增加1.89%对先进的面具R-CNN方法。U-Net-based语义分割是受雇于Trivedi和古普塔(23)在一个LSC数据集监测植物的生长。

侯et al。24)开发了一个自动化的图割算法从马铃薯叶段叶区域图像从人工智能的挑战者收集全球人工智能比赛http://www.challenger.ai)。在这部作品中,作者认为大津阈值方法分离前景像素和颜色统计阈值分离背景像素。superpixel技术被用来区分如果背景像素与前台leaf-infected补丁。Jibrin et al。25)开发了一种动态的、迭代模型分段单从重叠的叶子,叶子叫DCV-SO基于所以(Chan-Vese-Sobel操作符)模型,这减少了对原来的平均错误率1.23%所以模型。Triki et al。26)开发了一种深叶评估植物叶的形态特征。这些特征包括长度、宽度、面积、周长、叶柄长度。在这部作品中,作者用分割的初步步骤使用面具R-CNN从图像中提取叶区域。

同样,许多方法已经开发了叶分割(8- - - - - -10,27]。然而,这些方法大多是用来段叶地区一个简单/纯背景或图像包含叶区域中心。但在真实的应用程序中,一片叶子可能会出现在任何地方。叶区域的分割从现实世界图像是具有挑战性的,因为这些图像可能有茎,闭塞的叶子,人类的部分,nonleaf对象。因此,之前发现可能不够段叶区域从复杂的环境和其他重叠叶片图像。因此,开发新的模型分段叶区域实时现场图像需要克服的局限性分割精度差和相似性指数(骰子)叶的区域分割算法在文献中提出的。在本文中,我们建议使用语义分割网络基于卷积神经网络如SegNet深处,U-Net, DeepLabv3 +。创建DeepLabv3 +网络,我们使用ResNet18, ResNet50, MobileNetV2 Xception, InceptionResNetV2基地网络。

3所示。材料和方法

设计方法的主要目标是自动段植物叶子从具有复杂背景的图像区域。图1是该方法的流程图表示。各种成像传感器设备最初是用来收集的植物叶子图像直接从字段。图像采集后,预处理技术应用于提高图像的质量。后,将数据集分为训练集和测试集,在几个数据增强技术是用来避免过度拟合训练集。同时,培训与深层网络叶区域从图像中提取和评价采用了网络的性能。


图1
流的研究工作。
3.1。图像数据集

Nagayalanka,安得拉邦,印度,数据源位置从黑克领域获得的图像是使用两种不同的成像传感器设备。第一个装置是索尼数码相机DSC-H300相机有一个超级CCD成像传感器有一个强大的35倍光学变焦和20.1像素的分辨率。第二个设备是智能手机有三星Galaxy F41 ISOCELL GW1成像传感器64像素和f / 1.89的光圈。由于使用不同的设备,原始RGB图像数据集的不同维度,调整大小以 使用MATLAB软件在预处理阶段(28]。BPLD数据集包含1000张图片的四个患病和健康的类别。数据集是免费的:10.17632 / zfcv9fmrgv.3。创建这个BPLD数据集的目的是开发一个有效的和自动化的黑克植物叶子上疾病的检测和分类系统来帮助农民识别最常见的黑克叶疾病(树叶沙沙声,黄色马赛克、白粉病、炭疽病)(11]。然而,目前的研究旨在开发一个自动叶从种植场图像区域分割,具有复杂的绿色/纯背景和不同的照明条件。一些示例黑克植物叶子图像数据集在图所示2。此外,每一个镜头在图2代表每个疾病类别的数据集。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
图2
样本图像数据集:(a)炭疽病;(b)健康;(c)树叶沙沙声;(d)白粉病;(e)黄花叶病。
3.2。预处理

在预处理阶段,数据清洗,然后,图片的大小减少 和 维度。自深学习算法需要相同的所有输入图像大小和他们有自己的输入大小需求( SegNet、U-Net ResNet50, MobileNetV2 ResNet 18日 Xception和InceptionResNetV2)。地面实况二进制面具的使用图像生成图像数据集的裂殖体应用(MathWorks公司无日期)。现在1000对图像(原始图像及其对应的二进制面具)被分为训练一对和测试,80%的图像训练集和20%的图像测试集。因此,有800个图像训练集和200在测试集。我们将数据集,包含图像训练集和测试集的所有疾病类别和确保没有重复的实例。

3.3。数据增加

数据增强是指生成大量的数据从有限的可用数据。这项工作采用旋转增大(45 ,90年 ,135年 ,180年 ,225年 ,270年 ,和315年 )和镜像对称性增大(水平对称和垂直对称)(如图3)[29日]。八千图像增加了训练集对提到的增强技术。样品的数量在每个疾病类别之前和之后的数据集数据增强技术是列在下表中1。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
(h)
(h)
(我)
(我)
(j)
(j)
图3
数据增加:(a)旋转,(我)水平对称,(j)垂直对称。
表1
可用的样本数量的数据集对每一类疾病之前和之后增加的数据。
3.4。深度学习的语义分割

深度学习已经被证明是非常有效的在处理图像数据,和现在在几个应用程序,它优于人类。图像分类、目标检测和分割是人类最重要的问题是解决与计算机视觉特别感兴趣。图像分割是一个更复杂的任务,因为它需要目标识别和定位,在每个像素分配给一个特定的类。如今,语义分割被广泛用于分割,因为它是一个严重影响深度学习方法和艾滋病快速计算机视觉分析图像。一般的语义分割网络由一个编码器网络解码器网络紧随其后。编码器是一种pretrained分类网络,而译码器负责歧视编码器功能学的密集的分类。几个语义分割模型已经在文献中报道。利用叶区域提取的最佳分割模型在复杂的背景下,我们检查了SegNet U-Net, DeepLabv3 +层提出了研究工作。

3.4.1。U-Net

Ronneberger et al。30.发达U-Net架构(图)4生物医学图像分割。其架构有两个主要的路径。收缩路径被称为编码器,负责捕捉图像的上下文中使用卷积和max-pooling层。另一个是扩张路径称为译码器,负责使用转置运算对象检测和定位。通常情况下,编码器路径减少了输入图像的空间分辨率,和解码器使用upsampling层逐渐复苏的空间分辨率。U-Net可以处理任意大小的图像,因为没有致密层。它只取决于卷积层是一个端到端完全卷积网络。灰色箭头在图4说明了跳过连接用于连接编码器块输出到相应的解码器。这一阶段尝试检索编码器阶段所学到的细节来恢复原始输入图像的空间分辨率。2 d生物医学分割,U-Net显示特殊的性能,然而,它继续被利用作为基准的研究在这个领域。


图4
架构提出的U-Net Ronneberger et al。30.]。

的基本架构U-Net模型如图4。缔约路径执行将采样操作,两个组成 反复旋转,ReLU激活函数和一个紧随其后 马克斯池2步。通道的数量特性是为每个downsampling增加了两倍,而广阔的路径执行upsampling操作,有一个 卷积降低功能通道的数量减半,连接和从缔约路径和两个相应的特性 旋转,每一个ReLU紧随其后。在最后一层,一个 卷积是用于将每个64 -组件特征向量映射到所需的类的数量。数学上,卷积实现使用方程(1),执行作为一种变换(31日]。 在哪里 权向量, 偏差向量, 是激活函数的卷积运算的输入和输出。卷积运算后,U-Net利用ReLU作为激活函数方程来表示(2)。

3.4.2。SegNet

SegNet架构提出了Badrinarayanan et al。32)有13卷积每个编码器和译码器网络层,其次是softmax层负责概率每像素每一节课。最后,分段输出是由类最优秀的机会出现在每个像素。的网络架构SegNet如图5。在SegNet max-pooling指数(而不是使用跳过连接U-Net)编码器的功能映射网络存储和利用译码器网络更好的性能,使其更有效率。SegNet具有显著的优势和密实度大小一样,需要更少的内存,更容易比其他语义分割网络培训。 在哪里 类的数量, 模型的输出向量, 在0到的范围 。


图5
SegNet的体系结构。

如果一个图像的大小(MxN送入编码器的第一层,然后激活的地图 层的编码器给出方程(4),一个激活的地图 译码器层给出了方程(5)[33]。 在哪里 激活的地图吗 编码器层, 的学习偏差 层, 激活的地图吗 译码器层, 卷积运算, 是ReLU激活函数, 是maxpooling操作, 批处理规范化, upsampling。

3.4.3。DeepLabv3 +

DeepLabv3 +是由陈et al。34),谷歌(Google Inc .)工作,克服存在的问题出现在DeepLab系列。这是DeepLabv3的扩展版本。添加了一个简单而有效的解码器模块DeepLabv3改善分割结果,特别是对象边界,逐渐恢复的空间信息。重新获得空间分辨率,作者推荐的深黑色的卷积,为高效的计算和设计提出了方程(6)。DeepLabv3 +广泛使用对齐Xception网络作为其主要特征提取器和取代max-pooling层切除可分离旋转。重要的是要注意,切除可分离旋转中引入DeepLabv3进行DeepLabv3 +。切除卷积分离卷积是相反的标准分别进行切除和点态曲线玲珑。卷积过滤器,切除每每个输入通道进行空间卷积,卷积和逐点的卷积结合输出通过卷积切除。作者改进了encoder-decoder网络通过切除分离卷积深黑色的空间金字塔池(ASPP)和译码器模块(如图6),使它更快和更健壮。DeepLabv3 +利用pretrained cnn的编码器为特征提取阶段。在这工作,ResNet18 ResNet50、MobileNetV2 Xception, InceptionResNetV2用作DeepLabv3 +骨干网络。 在哪里 , , ,和 是位置、过滤器、输入特性图,2 d地图信号和输出特性,分别和 是深黑色的率35]。


图6
架构DeepLabv3 + Chen等人提出的。34]。

4所示。实验结果和讨论

实验于2021年MATLAB环境与系统规格英特尔®CPU核心™i5 - 8250 u @ 1.60 g赫兹1.80 GHz, 8 GB RAM,在64位Windows操作系统。

4.1。评估的语义分割

评价指标,如全球准确性、准确性,Jaccard /借据,骰子,加权借据,平均评分计算来验证语义分割网络。在这个工作中,“叶子”和“背景”的两类数据集。让我们认为 是没有的。中的类和形象 是测试图像数据集的总数。

以下4.4.1。全球精度(G.A.)

全球精度准确分类像素比图像中像素的总数,不管这个班。 在哪里 是真阳性, 是真正的消极, 是假阳性, 假阴性。 在哪里 是一个特定的图像的准确性 。

4.1.2。的意思是准确

准确性是所有类的平均精度的图像数据集。 在哪里 使用方程(精度测量1为指定的类) 在一个图像 。

4.1.3。意思是借据/ Jaccard

意味着借据/ Jaccard准确分类像素比地面实况,并预测像素的总数在类。 在哪里 是一个特定类的借据呢 在一个图像 。

借据是平均的借据中的所有图像数据集的类。

4.1.4。骰子/相似性指数

骰子是用来确定如何分段预测输出与地面真理。它可以计算使用Jaccard /借据(如果已知)。

4.1.5。平均加权借据( )

这是每个类加权的平均借据的像素总数。 在哪里 是班上的像素总数吗 。

4.1.6。意味着BFScore

意思是BFScore数学定义如下: 在哪里 和 。 在哪里 是边界 一个特定类的分数 图像的 。

4.2。绩效评估采用的网络

所有的图像数据集和相应的地面实况标签新 和 尺寸满足训练需要深刻的网络模型。旋转和镜面对称增加技术用于提高数据集。我们采用SegNet、U-Net DeepLabv3 +网络模型的分割。,此外,ResNet18 ResNet50 MobileNetV2 Xception, InceptionResNetV2网络利用作为DeepLabV3 +层的骨干网络。最初,该数据集分为训练集和测试集。数据中,80%(800)的图像被用来训练模型,和另外的20%(200)图像被用来测试训练模型的可靠性。训练模型的可靠性评估与地面真理的分割结果进行了比较,裂殖体工具MATLAB图像生成的图像。评估模型的普遍性,我们所做的实验两种情况:使用和不使用训练集数据增强技术。因此,在不使用数据增加,训练集有800图片,而在使用数据增加的情况下,训练集有8000图片。

参数选择,通常称为hyperparameter调优,是一个必要步骤训练前CNN架构偏差和方差之间找到正确的平衡,防止消失/梯度爆炸问题,加快学习过程。这是至关重要的,因为这些选定的参数值确定的行为训练算法。有几种方法选择参数值。手动搜索、网格搜索、随机搜索和贝叶斯常用的搜索方法。在本文中,我们使用了一个手动搜索方法来优化hyperparameters实验。不需要一个专门的图书馆hyperparameters的手工调优。相反,需要尝试不同的组合模型并选择组合hyperparameters执行最好的。在手动搜索方法中,我们使用不同的品种如优化器(个,亚当,RMSProp),初步学习速率(0.01、0.001和0.0001),minibatch大小(12、24、32),和时代(15、30、50和100年)。通过大量的实验,我们已经设置hyperparameters作为初始学习速率为0.001,优化器SGD 0.9动力,minibatch 12的大小,和50时代没有数据扩充和15数据增大。表2代表了hyperparameters用于训练采用分割模型。

表2
hyperparameters的总结。

训练和测试网络的算法如表所示3。

表3
算法用于训练和测试网络。
4.2.1。准备我:不使用训练集数据的增加

在这种情况下,训练集有800图片,和测试组有200图片。结果为每个对象类别(叶和背景)在表4性能指标的平均值表5概述了。结果表明,DeepLabv3 + SegNet相比表现出优越的性能和U-Net分割模型。DeepLabv3 +与InceptionResNetV2叶子类实现了99.401%的准确性,略高于背景类的准确率为99.235%。相同的模型达到联盟的一个十字路口(借据)97.236%的背景类96.423%,叶片类。同时,考虑到BFScore, 95.42%为背景类和93.509%的叶子类实现。表中给出的平均值5DeepLabv3 + -InceptionResNetV2实现全球精度为99.303%,平均精度为99.318%,平均96.829的借据,骰子相似性指数为98.389%,平均96.904%的加权借据,和平均BFScore 94.465%。结果表明,准确性和相似性指标都很好,但边界 或者意味着BFScore不及格。增加边界 分数,我们应用旋转和镜面对称扩增技术在训练集和相似的方式做了相同的实验。

表4
比较结果为每个对象类别,当没有数据增大。
表5
绩效评估的网络没有数据增大。

所有培训的混淆矩阵模型的各个类精度没有扩增技术在数字和数据7和8。

(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
图7
SegNet混淆矩阵的(a)、(b) U-Net,和(c) ResNet18 DeepLabv3 +, (d) ResNet50, (e) MobileNetV2 Xception (f)和(g) InceptionResNetV2模型在测试集上没有数据时增加训练集上的应用。
(一)
(一)
(b)
(b)
(c)
(c)
(d)
(d)
(e)
(e)
(f)
(f)
(g)
(g)
图8
SegNet混淆矩阵的(a)、(b) U-Net,和(c) ResNet18 DeepLabv3 +, (d) ResNet50, (e) MobileNetV2 Xception (f), (g) InceptionResNetV2模型在测试集数据增加训练集上的应用。
4.2.2。案例二:使用训练集数据的增加

在本例中,我们应用旋转和镜面对称增强技术在训练集上一共有8000张图片,和测试组有200图片。结果为每个对象类别(叶和背景)在表6性能指标的平均值表7概述了。在这种情况下,该模型实现了99.685%的准确性叶子类与背景类精度为99.732%。相同的模型达到联盟的一个十字路口(借据)97.874%的背景类97.065%,叶片类。考虑到BFScore DeepLabv3 + -InceptionResNetV2背景类达到98.487%和96.75%的叶子类。表中给出的平均值7,拟议中的DeepLabv3 + -MobileNetV2实现更高的性能而言,全球99.713%的准确性,平均精度为99.708%,平均97.47的借据,骰子相似性指数为98.719%,平均97.544%的加权借据,和平均BFScore 96.899%。结果表明,DeepLabv3 + MobileNetV2优于其余模型数据增加时应用到训练集。

表6
比较结果为每个对象类别数据增加时。
表7
绩效评估的网络数据增大。

在这两种情况下,U-Net站在最后;主要的时候,在例2中,它在7.9%,17.01%,9.55%,和35.44%背后DeepLabv3 + -MobileNetV2马,借据,骰子,分别和平均BFScore。

图9显示所有训练模型的分割结果5样本图像测试集的数据集。原始图像显示在第一行,后面跟着各自的地面实况在第二个标签。以下七行,即。,row three to row nine, correspond to the segmented outputs produced by each network.


图9
分段采用了网络的输出。

叶区域分割是富有挑战性的,当植物图像重叠/闭塞的叶子和复杂的背景。大多数目前叶分割方法(12,15,17,24,26,36,37)是专门设计,使某些收购情况。因此,这些技术不能给好的结果在现场条件。尽管一些其他作者(18- - - - - -20.,22,25)开发了分割模型根据现场条件,他们必须进一步由于缺少性能的改善。(13指出,他们的模型的过程负载的增加为特征的数量增加更好的结果。超过23%重叠树叶时,算法(14对待两叶。当输入图像的分辨率较低,模糊图像,作者(16)发现他们的模型未能认识到树叶。由于缺少训练图像,为深入学习是至关重要的,该模型不记得的形状和纹理感兴趣的区域(38]。因为像素的背景像叶子39),分割技术仍然有一定的缺陷,不能保证他们的模型的处理时间将会有竞争力。提出的模型(23)是在某些情况下表现良好,不像许多植物和树叶的图片不是绿色的植物。对高计算时间的需求,培训,所需的巨大的数据集和低性能因在/分割在文献中讨论的所有重大缺陷的方法。该方法提供了一个解决问题已经解决。

我们提出的分割算法被开发使用DeepLabv3 +层与MobileNetV2模型作为支柱。DeepLabv3 +是一种先进的语义分割模型结合encoder-decoder架构和深黑色的空间金字塔池。从实验结果,提出DeepLabv3 + -MobileNetV2模型有潜力,可以成功地用于分段叶区域从复杂背景。这是一个全自动分割算法,优于其他网络相当的准确性和相似性指数。我们已经开发和评估提出分割模型BPLD数据集,有五个疾病类别的图像。我们的未来研究工作的主要重点是设计叶片疾病识别系统定制的手机应用程序和扩展该模型的有效性从图像中提取叶区域的其他作物/植物。

任何计算机应用分割算法的计算复杂度是资源的数量需要执行它。特别关注了完成任务所需的时间和内存。表8描述了计算复杂度对比提出网络与其他网络。DeepLabv3 + -Xception的训练时间和DeepLabv3 + -InceptionResNetV2更高培训案例,因为他们都是比别人更深层次的网络,而DeepLabv3 + -ResNet18相对更快的训练在这两种情况下但比DeepLabv3 + -MobileNetV2表现出较低的性能。然而,尽管它的深度,提出DeepLabv3 + -MobileNetV2网络训练的非常快,因为它有限数量的参数。表显示,该DeepLabv3 + -MobileNetV2模型取得了非凡的分割精度减少培训时间(7小时23分钟对于我,22小时28分钟案件II),也没有。的时代(50点我和15例II)。同时,网络9.5 MB的大小,与其他模型相比大大减少,可以快速实现并运行在移动设备上。

表8
采用网络之间的计算复杂度比较。

5。结论

这项工作提出和评估使用深完全卷积神经网络部分植物叶子上复杂背景下的区域。图像数据集收集使用的设备有超级CCD和ISOCELL GW1成像传感器从黑克作物种植领域。七FCN模型采用提出的工作:SegNet, U-Net,和五个DeepLabv3 +变异,这就是ResNet18, ResNet50, MobileNetV2 Xception, InceptionResNetV2。其他FCN模型相比,分割结果表明DeepLabv3 +架构是更有效率的工作和植物叶子图像复杂背景。值得注意的是,该DeepLabv3 + -MobileNetV2细分模式表现出更高的全球99.713%的精度,平均精度为99.708%,意味着97.47%的借据,骰子相似性指数为98.719%,平均97.544%的加权借据,和平均BFScore 96.899%。结果表明,该DeepLabv3 + -MobileNetV2模型优于其余FCN模型2,即。使用数据训练集上的扩充。

在现实条件下如叶子变量照明和重叠和阻挡,提取叶地区将变得更加复杂,该方法是解决这一问题。MobileNetV2是一个轻量级的网络计算复杂度较低,因此,提出了语义分割网络(DeepLabv3 + -MobileNetV2)可以很容易地实现并运行在移动设备上。我们未来的目标是使用这些分段叶疾病检测结果和分类算法,使用深度学习的技术设计。疾病识别算法结合这个叶分割步骤可能导致更少的训练时间和更大的准确性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。