文摘
为了解决疾病问题的精度和速度的实时识别喷涂操作在玉米领域,一种改进ResNet50玉米疾病提出了识别模型。首先,本文运用亚当算法优化模型,通过斜三角形学习速率调整学习策略,提高L2正规化减少拟合,并采取退出策略和ReLU激励功能。然后,第一卷积内核ResNet50模型被修改成三3 x 3小卷积核。最后,训练集,验证集的比例是3:1。通过实验比较,玉米疾病识别模型的识别精度提出了高于其他模型。数据集的图像识别精度为98.52%,农田中的图像识别精度为97.826%,平均识别速度是204 ms,满足玉米田间喷洒的精度和速度要求操作,并提供技术支持的研究玉米现场喷涂设备。
1。介绍
玉米是重要的粮食作物、饲料作物,在中国工业原料作物。这是水稻之后的第二大农作物。中国玉米种植面积和总产出在世界上排名第二。与玉米生产的发展,玉米有很多种疾病,其中大部分是由真菌,细菌和病毒(1]。如何快速、准确地诊断玉米疾病并采取相应控制措施是玉米生产具有重要意义。如果只有人类视觉观察和经验判断,很容易被误诊,费时,费力,消耗品,和玉米疾病不能及时诊断和治疗,导致玉米生产效率低。随着计算机技术的不断发展,利用图像识别技术对疾病诊断和检测已成为作物疾病诊断和检测的一个重要研究方向(2]。基于图像的自动识别的植物病害主要是基于传统的图像处理技术和卷积神经网络(CNN)技术。根据常见的玉米叶子疾病,杨et al。3),陈等人。4],张张s和c [5,朱镕基和雪6)使用SVM(支持向量机)的分类方法,遗传算法,局部判别映射(LDP)和局部线性嵌入(米歇尔)算法在服务器端减少提取的疾病特征,正确识别率为93.2%,90.0%,94.4%,和99.5%,分别。上述研究疾病的识别方法基于传统的图像处理技术已取得了一些成效,但这些方法的操作太繁琐,鲁棒性很差,和特征提取方法并不普遍,这使得整个方法的泛化能力差。
近年来,深度学习的方法也被广泛应用于玉米疾病鉴别。例如,刘三联体双损失应用卷积神经网络结构学习疾病特点,和准确性超过90% (7]。张等人用图像处理和BP神经网络建立了玉米叶疾病识别模型,精度93.4% (8]。许等人设计了一个新的完整的连接层基于vgg16模型,精度95.33% (9]。风扇等人提出了一个改进的CNN模型识别精度为97.10% (10]。风扇Xiangpeng等人提出了一种改进的速度R-CNN模型,平均精度为97.23%,单个图像以0.296秒(11]。杨等人提出了基于迁移,移动netv2模型及其识别精度为97.23% (12]。李等人提出了一种基于不对称ResNet模型剩余网络,97.25%的准确性(13]。总之,深度学习方法取得了好的结果玉米研究的疾病识别,尤其是基于ResNet模型。然而,为了实现实时喷涂操作领域,除了识别准确性,单个图片的识别时间应保证。因此,本研究打算改进ResNet模型,不仅提高识别精度也提高识别速度。
2。数据和方法
2.1。实验数据
本研究的研究对象是玉米花叶病,灰色斑点病、锈病、叶枯病的疾病。玉米病害图像进行分类和识别,和玉米健康图片也准备好了。共有2309张图片收集五种玉米疾病。
2.2。数据增强
为了提高玉米病害识别的准确性,数据的增强方法,如照明、翻译、和翻转,被用来扩大数据集。花叶病图像原始数据的数量从815增加到3260,灰色现货图片的数量从265增加到668,和生锈图片的数量从355增加到1420。叶枯病图片的数量从498增加到1992,照片和普通玉米的数量从376增加到1504,如表所示1。示例扩展示例如图1。
2.3。选择的比例
由于不同比例的训练集和验证集,玉米病害图像识别精度的稳定也会受到影响。为了减少这种影响带来的不确定性尽可能多,本研究验证训练集和验证集的比例2:1,3:1,4:1和5:1,分别。每个运行10次,比例和每个图像随机分配比例根据获取的准确性验证。然后,每个比例的方差计算得到结果如图2。从图可以看出2,当训练集,验证集的比例是3:1,验证准确性的方差最小,为0.0031。因此,这一比例是用于计算在这个研究。
2.4。测试集数据采集
为了测试这个研究算法的识别效果真实环境数据与噪音,276病图像的玉米地里被智能手机在2021年8月在项目实验基地。每个玉米病害图像证实了植物保护专家,最后76名健康图片,93年玉米叶枯病图像,82年玉米叶斑病灰色图像,和25马赛克图像。没有生锈的照片拍摄期间收集的玉米疾病。
2.5。程序运行环境
这个实验中的所有代码框架下完成:PaddlePaddle 1.6.0 (Python 3.7)。
2.5.1。框架环境
特斯拉V100 GPU。视频MEM 16 GB;
2.5.2。硬件环境
硬件环境如下:英特尔(R)核心CPU (TM) i3 - 4005 u @ 1.70克;GPU使用NVIDIA geforce940mx;2 GB的视频内存;Windows 7和64位操作系统。
3所示。ResNet50模型
ResNet50网络分为六个主要部分,即输入模块,四个街区(3、4、6和3在每个模块),并输出模块。网络模型的构建块是剩余块结构。ReLU激活函数被使用在每一个层面上,和批处理规范化单位添加改善模型的适应性。亚当优化器选择改善网络识别的准确性。维参数的每一块ResNet50网络和每个块的二维输出尺寸如表所示2。
4所示。模型的改进
4.1。参数调整
模型结构优化的本质是减少损失函数的迭代。在本文中,自适应运动估计(亚当)是用于优化模型,而不是传统的SGD(随机梯度下降法)方法。亚当算法的本质是动态调整的一阶矩估计(beta1)和二阶矩估计(beta2)的每个参数梯度根据损失函数。它的特点是计算效率高和小内存,适合解决大样本大小和参数优化的问题。
学习速率更新方法使用指数衰减的方法设置的初始学习网络训练先一个较大的值,这样训练达到最优解的附近,然后逐渐减少了学习速率。学习速率的指数衰减方法的更新下列公式所示: 在哪里是学习速率衰减后,是最初的学习速率,衰减系数,当前的迭代次数,是衰减的步骤(即学习速率更新每个指定的迭代次数),这意味着舍去小数。
损失函数和L2正规化的叉是用来惩罚内部重量模型的参数,以避免过拟合。函数如下公式所示:
其中,是函数训练损失值,参数,模型内部的重量是是L2正则项系数,是一批训练样本的大小,是预期的分类概率,然后呢是预测分类概率。此外,第一和第二完全连接层在本文中添加辍学战略层,防止过度拟合。将SoftMax函数是作为最终的输出在过去完全连接层。将SoftMax经常使用函数作为神经网络的分类器模型。通过功能操作,输入样本的概率计算被确定为某一类别。经过一系列的参数调整,最大概率值对应于正确的类别。将SoftMax函数很容易计算,结果是简单和快速。
4.2。模型的改进
第一层的标准ResNet50网络是通过7实现7层,以便接受域卷积足够大,可以提取的图像特征。然而,大部分的玉米病害图像在这项研究中有小和大量的疾病的斑点,所以需要更有效的微地形特征提取。因此,原始图层1 ResNet50网络的改进,使用三个33叠加层取代77层叠加,大胆参与表所示3。改善也有效地减少了大量的计算,假设输入和输出特性图卷积层的大小是一样的X;三个3的数量3卷积是3层参数(33x)x= 27x2;7的数量7卷积(7层参数7x)x= 49x2,所以改进的网络可以带来更好的性能在玉米疾病识别不改变最初的接受域。
5。结果和分析
5.1。模型实现
本研究模型的训练过程分为以下阶段:步骤1。基本工作是加载数据文件。步骤2。Pretraining模型加载。步骤3。数据已经准备好加载图像数据集。步骤4。读者数据生成,然后生成一个读者对图像分类。读者负责预处理数据的数据集,然后一个特定格式的数据组织和输入到模型进行训练。步骤5。在调整之前,设置优化策略和参数运行ResNet50模型。步骤6。一个优化的任务是建立。用适当的pretraining迁移模型和数据集,一个任务是建立。步骤7。运行调整任务,训练模型参数,建立玉米疾病识别模型。步骤8。模型评估。
5.2。不同的激励函数的影响
在神经网络结构,激发函数通常是添加到确保网络的输出是一个非线性函数。常见的激励函数是乙状结肠函数,双曲正切函数,和ReLU功能。图3显示的结果尝试不同的激活函数。
显然,当使用ReLU函数,识别准确率最高。ReLU激励函数是一个分段形式,使其向前,向后,和导数形式所有分段,这使得它更容易优化学习和解决模型收敛性问题。
5.3。比较的方法
使用前面确定玉米疾病训练集和验证集,改进ResNet50模型训练和验证为10倍,和玉米病害的识别精度和损失价值如图4得到了。玉米疾病识别精度的平均值是0.9852,而损失值的平均值是0.0707。
为了验证本研究方法的可行性,该方法在文献[7- - - - - -13,ResNet50改善ResNet50模型进行比较,结果见表4得到了。可以看出,改进的平均识别精度ResNet50模型在本文中是最高的,达到了98.52%。因此,本文提出的方法适用于玉米病害图像识别。
5.4。农田环境中测试
模型建立在这项研究中测试通过使用玉米病害图像实际上收集在农田环境中,平均识别精度为97.826%。具体的识别结果如表所示5。因为玉米叶枯病的特点和灰色叶斑病是显而易见的玉米病害图像采集时,识别精度是100%;一个花叶病毒被确认为健康,精度为96%;受阳光和灰尘,影响医疗图像被确定为1马赛克、3叶枯病和1灰色叶斑病。识别精度为93.4%。
5.5。识别速度
为了测试的识别速度模型建立了本文的数据集在农田和玉米病害图像检测在每种情况下的10倍。具体的参数和识别速度表所示6和图5。图5显示在10测试数据集之间的比较和识别速度的玉米疾病传单农田;单一图像识别给出的平均速度表6。可以看出,玉米疾病的图像分辨率数据集较低和模式识别的速度快,平均63.78毫秒;在农田、分辨率高和模式识别的速度是缓慢的,平均204 ms。这个识别速度高于文献[11]。如果喷雾器的长度是4米和旅行速度为6.24公里/小时(14),需要2.3秒获得疾病形象喷洒,而玉米病害识别的最大时间是0.204,可以节省很多时间的其他操作喷雾器。
6。结论
本文基于ResNet50模型、指数衰减的方法用于调整学习速率,和L2正则项添加到熵函数来惩罚的重量。为了避免过拟合的在培训过程中,辍学战略和ReLU激励函数网络层之间使用。第一层的ResNet50模式改变为三个33卷积层来提高识别精度的小玉米疾病的病斑。
本文五玉米疾病识别,包括玉米花叶病,灰色叶病、锈病、叶枯病疾病,健康和玉米。训练集的识别利率是98.52%,平均验证组没有训练正确的利率是97.826%,而达到令人满意的识别效果。的识别速度,平均识别速度是204 ms,满足速度要求的喷雾器通过识别玉米疾病在农田环境中收集了10次。
摘要本文建立的玉米病害图像识别模型不需要手动提取输入图像的特征,只需要一个简单的分类注释,这不仅节省了大量的人力和时间,但也不需要掌握太多的专业知识的玉米疾病。该模型具有较强的泛化能力和良好的鲁棒性。
为了实现变量喷雾在玉米领域,需要收集更多的疾病发病率水平不同的图像相同的疾病,从而实现识别疾病的发生水平和可变剂量的计算提供了理论依据。
数据可用性
培训和验证数据集本文来自PlantVillage数据集。收集测试数据在实际环境中,可以从这篇文章的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究是由国家自然科学基金青年基金(批准号32001418)吉林省省级科技部门和规划项目(批准号20170204020纽约和20170204020数控)。