作物病害图像识别的研究进展基于无线网络通信和深度学习

文摘

传统的数字图像处理技术有其局限性。它需要手动设计特性,消耗人力和物质资源,与单一类型和识别作物,结果是坏的。因此,找到一种有效的疾病和快速实时图像识别方法非常有意义。深入学习是机器学习算法,可以自动学习代表特性在图像识别领域取得更好的结果。因此,本文的目的是使用深度学习的方法来识别作物害虫和疾病,并找到有效和快速的实时图像识别方法。深入学习是近年来新开发的学科。它的目的是研究如何积极地获得各种特性表征方法从数据样本和依赖于数据驱动方法,一系列的非线性转换应用于最后收集原始数据从具体到抽象,从通用指定语义,从低级到高级的形式特征。本文分析了经典和最新的神经网络结构理论的基础上深入学习。为网络基于自然图像分类的问题不适合农作物病虫害识别任务,本文改进了网络结构,可以同时照顾识别速度和识别精度。我们讨论了农作物病虫害的影响特征提取对识别性能的层。 Finally, we used the inner layer as the main structure to be the pest and disease feature extraction layer by comparing the advantages and disadvantages of the inner and global average pooling layers. We analyze various loss functions such as Softmax Loss, Center Loss, and Angular Softmax Loss for pest identification. In view of the shortcomings of difficulty in loss function training, convergence, and operation, making the distance between pests and diseases smaller and the distance between classes more greater improved the loss function and introduced techniques such as feature normalization and weight normalization. The experimental results show that the method can effectively enhance the characteristic expression ability of pests and diseases and thus improve the recognition rate of pests and diseases. Moreover, the method makes the pest identification network training simpler and can improve the pest and disease recognition rate better.

1。介绍

作物疾病会导致滥用农药而导致农产品产量和品质的下降(1,2]。这不仅增加了农业生产成本,但也带来了食品安全和环境污染问题3]。深度学习的建议来自人工神经网络。在20世纪,人类神经科学领域取得重大突破,研究人员开始模仿人类大脑的结构并提出了人工神经网络的想法。随后,研究领域逐渐扩大,学者开始关注如何让机器像人一样的智力。目前耕地的面积受农药污染在中国已经超过1600万公顷。实践表明,合理应用杀虫剂控制作物疾病的最有效手段。Rational application农药不仅可以有效地控制作物疾病的发生也减少农药对环境的污染和农产品。众所周知,农药的合理应用需要精确获取作物生长状态信息,最重要的是快速、准确识别作物疾病的类型。传统的作物疾病的识别主要依赖于农民在农田或专业技术人员的经验。由于专业知识的限制,农民常常无法判断或误判一些作物疾病(4]。此外,由于某些作物疾病不明显或疾病的症状开始时是相似的,甚至专业技术人员很难准确识别(5]。当症状明显可识别,预防他们错过了最好的时间,这使得它很难获得准确和及时的作物疾病的控制。因此,传统作物疾病识别不仅是费时和费力而且效率低下6]。

深层学习是来自人工神经网络。在20世纪中期,随着人类神经科学领域的重大突破,研究人员开始模仿人类大脑的结构并提出了人工神经网络的想法。然后,他们逐步扩大领域的研究;学者开始关注如何让机器像人一样聪明。作为一种特殊的神经网络,最初是构建和实施,感知器逐渐吸引了更多地关注神经网络的研究。然而,进一步的研究被人类发现,感知器与一个两层结构只适用于预先构建的功能学习线性函数,但不是线性不可分的问题(7]。农作物病虫害的现象是明显的早期阶段。如果不采取适当的控制措施的早期阶段,它将造成不可逆转的损失产量和作物生存,这将影响到产量、质量和生产率的农业产品。理论和技术水平的限制,对人工神经网络的研究正变得越来越不乐观。直到20世纪末,反向传播算法是嘲笑,使人工神经网络能吸引注意力的。与感知器相比,BP神经网络隐层单元增加,拥有的优势能够构建一个复杂的数据模型的表达能力和灵活的特性,但这是因为增加的水平,学习困难变得大,很容易陷入局部最小值。然而,当计算每层节点的梯度,梯度减弱将发生在较低的层网络的方向。正是因为这些缺点影响BP神经网络的性能,所以它只能建立一个肤浅的学习模型,然后,它的可扩展性的影响(8]。

考虑到多层网络的深度深度学习很容易导致训练复杂度的增加和梯度的消失,ResNet卷积神经网络模型用于培养农作物疾病数据集。剩余的学习单元ResNet网络可以简化卷积层。学习过程只学习输入和输出之间的区别,深化网络层和加速模型。Alvaro等人提出了一个番茄病虫害检测方法基于深度学习,它使用不同的图像分辨率摄像头设备进行检测。他们的目标是找到一个更合适的深度学习框架的任务。因此,他们认为三个主要探测器:更快的提出卷积神经网络,提出完整的卷积网络,和一个单点multibox探测器。这三个探测器被称为“深度学习的元素。“他们结合这些meta-architectures“深度特征提取器。“他们演示深meta-architectures和特征提取器的性能,提出一种方法局部和全局类注释和数据扩展来提高精度在训练和减少假阳性的数量9]。利用卷积神经网络模型和深度学习方法来检测和诊断简单的健康和患病的植物叶子图像。(10,11]。87848年的模型被训练使用开放数据库图像包含25个不同植物和58(植物、疾病)的组合,包括健康的植物。几个模型架构被训练来达到最佳的性能99.53%确定相应的(植物、疾病)组合(或健康的植物)12]。张等人提出了一个基于植物叶子的植物病害识别方法的图像。首先,该病斑点是分段提取特征向量。再然后,分类器是用来识别植物病害提供提取特征(13]。Kyosuke等人应用番茄疾病的低分辨率的图像超分辨率方法恢复的详细性能植物器官损伤。他们还使用了高分辨率、低分辨率和疾病分类评估超分辨率图像超分辨率方法的有效性在疾病分类14]。作物病虫害的现象是明显的早期阶段。如果不采取适当的控制措施的早期阶段,它将造成不可逆转的损失产量和作物生存,这将影响到产量、质量和生产率的农业产品。

深度学习的理论基础上,分析了经典和最新的神经网络结构15]。网络基于自然图像分类是不适合农作物害虫识别任务。本文改进了网络结构,可以同时识别识别速度和识别精度。本文的研究对象是小麦白粉病、叶锈病,花生黑色和棕色斑点,烟草野火、褐斑病、花叶病在野外环境中收集。使用深卷积神经网络识别疾病在复杂的背景。农作物病虫害的影响特征提取层对识别性能进行了探讨。分层的优缺点和全球平均池层终于作为害虫和疾病特征提取的结构层。分析各种损失函数如Softmax损失,中心损失,和角Softmax害虫识别损失。病虫害会造成国家经济损失。在农业害虫和疾病是一个复杂的问题的及时性。 During the process of crops from sowing to growth and harvest, the pathogens are different at different stages, which in turn affects the final agricultural products and quality. It is difficult to train, difficult to converge, and difficult to operate, so that the distance between pests and diseases is smaller and the distance between classes is larger, improved the loss function, and introduced techniques such as feature normalization and weight normalization. The experimental results show that the method can effectively enhance the characteristic expression ability of pests and diseases and thus improve the recognition rate of pests and diseases. Moreover, the method makes the pest identification network training simpler and can better improve the pest and disease recognition rate.

2。该方法

2.1。深度学习

2.1.1。深度学习的概述

随着大数据的发展和通用并行计算单元,基于深度学习的应用程序也发展迅速。深度学习与多个隐层神经网络。类似于浅神经网络,神经网络模型复杂的非线性系统。许多层隐层网络提供更高层次的抽象模型,从而提高模型的能力。深度学习和其他机器学习最大的区别是如何找到特性。提取过程的特性是一个抽象的过程。深度学习抽象模拟人类神经细胞交流信息的方式。理论上,许多分类和预测问题可以解决。卷积神经网络是一种典型的神经网络。技术已经取得了巨大的成功,许多图像的分类和识别任务。

2.1.2。人工神经网络

有许多疾病和害虫的农作物。有外部因素,包括自己的因素,自己的植物属性、外部天气因素,和其他植物的影响如杂草生长环境和害虫的自然环境,这将影响到作物。输出和质量产生巨大的影响。

人工神经网络的研究在很大程度上是仿生学的启发。它由一系列简单的人工神经元彼此连接。每个神经元都有三个部分:输入、人工神经细胞和输出。如图1一个神经元的输入信号可以来自外部给定初始值也可以是另一个神经元的输出。人工神经细胞整合这些输入信号和执行阈值操作。如果综合刺激值超过某一阈值时,神经元输入一个活跃的状态;否则,神经处于抑制状态。

正如大脑的神经元可以不断调整神经元之间的连接,以达到持续学习和进步。安网络也可以适应网络训练集通过调整权重值连续输入。

(1)感知器

一个感知器是一个简单的人工神经元只有两个输出。输入 反过来,感知器,每个输入值对应于一个重量 ,除了一个偏移量如方程所示(1):

如果 ,然后,方程(1)可以表示为

感知器的输出方程所示(2阈值后)过程:

传感器的工作原理几乎以相同的方式作为一个神经元,它可以分类两种类型的样本。输入样例输出1一侧和示例输出−1另一方面,训练过程是不断调整重量 。

(2)线性单元

传感器只有1和−1输出限制的分类处理。一个简单的概括是取消阈值模块。一个输入是一个线性单元 ,其输出的线性组合输入基于权重,再加上偏移量 。训练一个线性单元的核心任务是调整重量 因此输出尽可能接近目标训练样本的输出。

(3)错误的标准

定义一个度量来衡量安的训练误差相对于当前权向量训练例子 。一个常见的训练误差准则是平方误差: 在哪里训练样本集,训练样本的目标输出吗 ,和是实际的输出对训练样本的线性单元 。有必要计算错误的下降最快的方向,所以最大方向的方向导数计算偏导数可以获得的对每个组件的向量 ,表示为 。

自本身就是一个向量代表最大的方向导数,它对应于上升最快的方向和错误的下降最快的方向只是必需的要求 。所以,法律培训

在方程(6)是学习速率是一个积极的超级参数和梯度下降搜索的步长。是当前搜索的解空间,代表了一种位移电流下降最快的方向,和 从当前点意味着移动很短的距离沿下降最快的方向和更新当前位置到这个位置。

布尔类型的所有神经元,即状态0意味着抑制或1意味着激活,然后,遏制是definedp的能量

的概率分布可见层如下,是归一化的因素:

的成本(损失)函数将Softmax回归算法

证明目前的损失函数是严格凸及其局部最小值并不是独一无二的,所以要解决的最优参数不是独一无二的。证明过程如下:

通常,添加正则项修改成本函数,如下:

是正则项的重量。此时,成本函数与梯度下降法也可以更新。推导后梯度

更新参数的偏导数:

Softmax的参数更新完成后通过重复介绍。

(4)反向传播

神经网络的权重参数需要调整像人类神经细胞,因此需要自动调整参数的能力,和反向传播算法可以用来调整错误显示错误。

(5)许多层人工神经网络

在单个神经元或线性单元,只有线性问题可以解决。然而,在解决非线性问题有很大的缺陷,但现实问题往往是非线性的。大脑的细胞和其他细胞相互连接,模仿人类大脑的细胞连接,以及人工神经网络也可以形成一个多层神经网络以类似的方式。在特定领域害虫和疾病的特点是周期性的,季节性和重复。即病虫害在同一地区显示不同病虫害在不同季节,多种病虫害发生反复在同一季节,和几个固定的病虫害依次出现。许多层神经网络的出现可以解决非线性问题。在分层的前馈网络,如图2,一般来说,至少有三层:一个输入层、一个输出层和隐层,隐层通常是多重的。相邻的神经元相互连接。

2.1.3。卷积神经网络

研究作物病害图像识别的主题之前,你需要熟悉相关基本理论知识,如深度学习中使用的识别模型,图像识别过程中,卷积神经网络结构,深度学习框架,实验数据集预处理和标签分类,和许多更多。作为最具代表性的深度学习网络模型,卷积神经网络受益于计算机网络的发展和计算能力。二维图像矩阵的形式存储在一台计算机,以及每个像素之间的相对位置是固定的。大小固定的卷积核的卷积操作可以提取二维图像的特性。正是这种特性的二维图像,使卷积神经网络成功地用于图像识别和目标探测。CNN网络是一个重要的网络深度学习的典范。CNN的连接方法和网络结构非常适合处理图像问题,如图3(图片来自网络,http://www.baidu.com/)。

卷积神经网络中,卷积内核代表图片的地方特色。图像是由多层卷积和池处理将图像信息转化为较高的特性的信息。同时,有必要不断调整卷积内核。内核参数使卷积来完成一定的工作形象特征。在图像识别或分类任务,提取图像的卷积操作。地图的大小,功能是减少通过池层和分类是输出完整的连接层,最后通过一些激活功能。精确作物管理的主要流程如图4。

(1)卷积层

卷积的功能层是原始图像的提取特征。可能有很多卷积核在同一层,每个提取功能。卷积的区别和完整的加入是卷积使用本地连接和特征提取,以减少计算。本地连接图像卷积核的面积大小只有在输入图像乘以,卷积和内核映像是地图顺利搬到获得特性,所以最初需要连接整个图像的像素卷积核的大小减少。虽然操作是减少部分连接后,还是有很多的参数,每个卷积内核必须学习不同的参数。减少使用相同的重量参数的计算卷积内核重量相等称为共享。重量共享主要是基于从一个当地的信息,应用于其他位置的图像,即相同的内核用于整个图像卷积,卷积完全过滤。图像的局部统计特性在图像重复(位置独立)。如果图像中每一个基本图形,图形可能会出现在任何地方,和共享相同的重量在不同的位置使相同的模式被探测到的数据在不同的位置。例如,如果在一个窗口卷积后获得的特性是一个边缘,然后,卷积内核对应边缘特征提取方法,然后,卷积内核可以用来提取边缘特征的其他地区在其他位置。

在输入层,一些原始数据进行预处理,以便原始数据可以更适应的神经网络训练和特征提取。原始数据集的质量变化因不同的收集方法。因此,有必要执行一系列处理原始数据的收集和标记。

(2)池层

在CNN网络,一个特殊的卷积操作通常称为卷积操作后池。通过池操作,输入特征维度可以减少,可以减少训练参数的数量,和过度拟合是可以预防的。更常用的池的方法是平均池和最大池。具体操作是获取元素的平均值和最大值汇集地区作为输出。池可以被视为本地信息的融合,和多个操作的组合可以合并在一个更大的程度上获得更完整的功能。

(3)正则化层

卷积神经网络,网络训练是一个复杂的过程。由于内部变量的迁移,改变以前的训练参数随着训练的进行放大。当前的概率分布特性是符合初始层的概率分布特性,和之前的训练参数不适用。有一个假设在机器学习和深度学习训练数据的分布与分布的特征应该是相同的。这里,输入数据的网络使用批处理规范化(BN)如方程所示(7):

相应的方程是

一个优化问题,可以转化为一个函数,让误差函数

假设最终的输出是一个理想的模型中,我们可以得到

从这,我们可以看到

在这个时候,每个人的后代人口对应数量的变化在最初的解决方案

使每一层的输入数据均值为0,方差为1。然而,输出限制为0,方差为1。这将使模型的泛化能力差。因此需要添加参数和可以学会规模和转换数据。的值和培训期间不断更新模型。BN是一个优化的数据模型在批量模型训练后。即保证批处理输入数据时,生成的分布和面临数据仅限于一个可控的范围内。

(4)激活函数

当网络运行,它激活的某一部分神经元在神经网络和传输的激活信息反馈给下一层神经网络。神经网络可以解决非线性问题的原因是,激活函数增加了非线性因素来弥补线性模型的表达能力和保留的特征激活神经元通过下一层的功能。因为神经网络的数学基础是分化无处不在,激活函数的选择,以确保数据输入和输出也可微。

2.2。害虫检测

深度学习的成功应用领域的目标探测、识别、分割、基于不同地学习害虫检测算法已经提出。其中,MTCNN算法和级联的多任务网络的单步检测算法SSH是最具有代表性的算法,前者不仅检测工作良好,但也有一个突出的影响害虫和疾病的对齐;后者最突出的特点是规模不变,占用更少的内存和速度更快。

2.2.1。MTCNN算法

MTCNN害虫检测算法将害虫检测任务而且进程通过级联卷积神经网络。具体过程可分为三个阶段:在第一阶段,浅卷积神经网络快速生成候选窗口,删除大量的负样本;在第二阶段,进一步精炼候选窗口通过更复杂的卷积神经网络,使用nonmaximum抑制丢弃大量重复的窗户;在第三阶段,使用一个更强大的卷积神经网络进一步决定保留候选窗口的最后完成检测并输出害虫图像的关键点(害虫和疾病的类型,害虫和疾病的程度,和庄稼的害虫和疾病)。(1)Pnet是一个完整的卷积网络结构。网络的输入 。三卷积后层与卷积核的大小3和汇聚层, 卷积是用于生成分类、边境回归,要点。Pnet分类样本并返回四个候选区域的帧参数目标区域在每个候选区域。之后,候选人地区是由四个参数修正获得更准确的目标框架和nonmaximum抑制滤波器被选中(2)Rnet有内层Pnet相比(完整的连接层)。网络的输入是我们可以更详细的功能通过内层和消除害虫和疾病领域大量的候选人不符合要求。害虫和疾病的地区被nonmaximum抑制校准,最后结合(3)Onet网络的输入 ,和网络结构Rnet多一层一层的卷积,从而变得更加复杂和精确的图像特征的害虫和疾病,在坐标系中扮演一个重要的角色回归和关键害虫和疾病的回归

2.2.2。Nonmaximum抑制

Nonmaximum值抑制(NMS)指的是抑制不是最大的元素值。从本质上讲,它是一个本地搜索。在目标检测中,它通常是用于过滤和删除末target-repeating边界框。

目标探测生成一个边界框在一个区域定位。每个边界框有一个分类得分,其中大部分都是多余的。NMS是执行所有检测到的局部最大值搜索边界框。搜索域内的最大值来过滤掉边界框的一部分。主要的过程如下:(1)首先,得到物体的边界框;相同的对象可能会有很多边界框及其分类得分(2)排序的所有边界框并选择得分最高的,其相应的边界框(3)遍历所有剩下的盒子;如果当前的得分最高的借据价值框大于预设阈值,删除它(4)继续选择框与得分最高的未加工的边界框和重复第三过程,直到所有保留边界框

2.2.3。困难样本矿业

困难样本采矿是一个重要的策略来提高模型的质量。它有一个广泛的应用于图像分类和通用目标探测。主要的思想是找到一些困难正样本和困难负样本在每个步骤,然后进一步训练这些样本难以提高的性能模型。

近年来,持续改进的目标探测性能的框架,在线困难样本矿业和焦损失已经广泛用于屏幕困难样本。OHEM选择最困难和困难样本在每个小批量计算神经网络梯度,而仔损失是旨在更多关注困难和错误分类样本,添加一个因素控制标准的叉。

(1)OHEM

在算法优化支持向量机的时候,一些样品不能区分由于浓度被删除,不能正确判断的样本添加到模型中,然后开始一个新的训练。OHEM远期所有样本,然后每个样本所产生的损失,并选择反向传播的前部分的样本。例如,只有1:3正负样本来计算损失和剩下的负样本权重都设置为0。一个简单的示例小损失值有一个小的贡献网络训练,虽然困难样本有一个很大的损失价值提高网络的泛化能力。与焦损失,OHEM只需1:3正负样本和剩下的负样本权重将重置为零,而焦列车所有负面的样品损失,给予积极的和消极的样本不同的权重根据损失的价值。

(2)局部损失

one-stage-based目标检测算法,积极的和消极的样品可以达到1:1000年,导致的问题积极的和消极的样品非常不平衡,负样本主宰了损失函数。虽然负样本具有很高的准确性和价值损失很小,大量的负样本最终产生一个损失值,有时比损失更大的价值生成的正样本。焦损失首先尝试解决样本不平衡的问题,引入了一个交叉熵损失函数的权重系数。样品检测为前景时,交叉熵损失函数乘以重量 。当背景,交叉熵损失函数乘以。的重量 ,损失函数可以改变

后解决样本不平衡的问题,作者也增加叉的损失函数,这意味着如果样本预测的准确性越高,越小 ,整体损失价值越小。样品的准确性越高,损失将会减弱,和较低的样本的准确性不衰减,那么整个损失函数将由低精度的样本,然后最终损失函数

3所示。实验

3.1。实验平台

目前,卷积神经网络都是三维的输入数据,反映二维平面图像像素和RGB通道。输入信息,如图像像素矩阵形式。图片的长度和宽度和深度的颜色通道构成一个三维矩阵。黑白图像的深度是1,和彩色图像的深度是3。

由于图像数据的批处理,需要大量的记忆。深度学习的计算依赖于一个通用的GPU加速模块。因此,本文中使用的实验硬件平台是NVIDIA的DGX-1深学习服务器。实验平台的配置如表所示1。

3.2。训练样本的一代

考虑到多层网络的深度深度学习容易导致训练复杂度的增加和梯度的消失;ResNet卷积神经网络模型用于培养农作物疾病数据集。剩余的学习单元ResNet网络可以简化卷积层。在学习过程中,只有输入和输出之间的差异是,深化网络层和加速模型的训练。

训练样本,随机偏移值可以在真正的害虫区和候选人病虫害窗口可以抵消原始地图中随机选择的价值和真正的害虫,然后,候选人害虫和昆虫窗口可以获得并通过真正的害虫借据的大小面积确定。负样本,怀疑样品,可以生成和积极的样本。借据是指定要大于0.7作为正样本。如果最大借据值小于0.7,最高的阈值被认为是一个积极的样本,借据小于0.3负样本,在0.3和0.7之间是怀疑样本。插值缩放到指定的规模,借据是真正的样品比候选窗口区域,如图5(图片来自网络,http://www.baidu.com/):

计算公式是

阳性样本的比例,怀疑样本和负样本约:1.5:3。负样本只负责检测是否有害虫和疾病,这是一个两级问题。疑似样本和积极的样品受到害虫返回帧和病虫害的关键点。为了提高网络的鲁棒性,获得的样本随机裁剪可以发送到培训网络获取一个初始网络模型进一步获取训练样本。Pnet训练后,可以将原始图像输入Pnet训练模型和检测到害虫区和真正的害虫区借据,最后,Rnet生成训练样本。如上所述,当借据小于0.3时,它被认为是一种负样本。一个借据大于0.7被认为是一个积极的样本和一个借据是怀疑样品在0.3和0.7之间。重复这一步骤将原始图像发送到训练Rnet Onet模型生成训练样本,以便样品送到Rnet和Onet样品产生的偏移值和样本预测的网络,它可以提高模型的泛化。

4所示。讨论

4.1。害虫图像识别

以下4.4.1。图像预处理的农作物疾病

使用ResNet网络的训练过程识别作物疾病图像初始化网络的权重参数模型中,卷积层ResNet网络训练数据集的提取特征图像,特征是集中获得输出,输出值和目标值之间的差异使用错误更新网络的权重参数来获得一个训练有素的作物病害图像识别模型。

预处理的目的是消除噪音和冗余信息的样本图片,可以简化图像,提高识别率的有价值的信息,从而提高模式识别的性能。和深度学习的使用方法分类和识别需要大量的数据。本文只收集约5000图片,所以以后需要做数据增强过程。可能有内容无关的图像目标识别。他们不仅可用于提取图像特征,有时也可能会减少特征提取的影响。因此,图像应提取的图像识别之前。摘要ACDSee9.0软件用于手工切割图片。疾病的形象,叶子一片树叶和主要cutting叶病变的部分。切割效果如图6。

4.1.2。病理叶病变提取

乘以背景部分和预处理图像,绿叶部分可以删除和叶病变可以提取和处理效果如图7。通过处理收集到的病叶的形象,一个清晰的图像的病灶,但颜色、形状和纹理特征参数的损伤需要分别提取图像识别疾病。

4.2。仿真实验的图像融合

复杂背景下的字段,在同样的场景中,收集设备芽病叶不同焦距下和不同的照明条件。有些图像清晰和模糊在前台,和一些图像模糊的前景和清晰。这种疾病采用基于小波变换的图像融合方法。该病图像是由一个小波分解和小波分解的原理图如图8。

之后,这种疾病在疾病两个模糊图像上执行图像融合的枸杞叶和疾病融合的结果如图9。

从上图可以看到,在前两个疾病有模糊的部分图片。图像融合,融合后图像获得清晰。基于无线网络通信和深度学习图像融合方法中,有一个很大的系数绝对值是选为小波系数保留细节,这不仅对应于图像中明显的亮度变化,而且还保留了图像的特征,使图像更清晰。

病变的图像枸杞树叶收集的复杂背景下,索贝尔算子,罗伯特算子,普瑞维特运营商,大炮运营商Gauss-Laplacian运营商,精明的经营者,并分阶段使用边缘检测方法检测患病的树叶。边缘检测,检测结果如图10。

模糊疾病图片相同的病叶、六个客观评价方法,包括对比度,锐度,平均模糊度,模糊度、颜色聚合向量,和色调,是用来评估图像质量。颜色聚合向量的值的直方图是聚合像素。图特性值,执行质量评价的模糊图像和评价结果如表所示2。

的客观质量评价区域图像病变融合后图像等六个指标进行对比,锐度,平均模糊度,模糊度、颜色聚合向量和色调。评价结果如表所示3。

为了证明基于无线网络通信和深度学习的分割方法能有效段疾病图像在复杂的背景下,本文比较了它与传统分割算法。当分割结果基本上都是相同的,基于无线网络通信和深度学习的分割算法具有明显的优势。迭代次数之间的比较和分裂时间如表所示4。

当分割结果基本上是一样的,迭代的数量标准图像的分割实验和分割时间减少约13%降低约27%;分割的迭代次数的实验图像集下降约12%,并分割时间减少了约30%,而且随着迭代次数的增加,算法的时间分割也继续增加。

针对五种不同的疾病类型(没有疾病,灰色现货,白粉病,瘿螨,和炭疽病)枸杞疾病在小样本数据图像,分割方法基于无线网络通信和深度学习提出了与传统模糊c均值聚类分割算法的分割和比较。该方法的平均错误率如表所示5。

我们可以看到在桌子上5的平均错误率的模糊c均值聚类分割算法很大,这将导致大量冗余背景;传统的分割算法的平均错误率低于平均错误率的模糊c均值聚类算法。超过10%的平均错误率方法,和的平均错误率深学习算法用于本文低于6%。

为了验证深度学习算法的分割效果细粒度的分类数据集,而GrabCut算法基于显著图的分割方法,两种分割方法的平均精度如表所示6。

最后,为了证明分割效果的基础上,深入学习算法在light-affected环境中,对病变的图像在正常环境和light-affected环境领域,本文提出的分割算法主要是基于平均错误率和平均召回率,如表所示7。

我们可以看到在桌子上7疾病,图像在正常环境和light-affected环境领域,平均召回率在正常照明条件下基于深层学习算法提出了可以达到90%,而在一个强大的照明环境,以下将会影响分割算法的性能,因此,照明条件的一个重要因素分割算法的性能评估。

4.3。分析图像识别的害虫和疾病的准确性

4.3.1。精度测试集的不同设置下卷积的第一层

作物害虫和疾病的形象满意好背景后的作物病虫害识别任务删除的决议 。因此,所有相关实验一致的图像检测作物害虫和疾病 和三个通道的图像的像素。正常化,减去127.5和除以128。像大多数卷积神经网络,本文中的实验基于ImageNet数据集,所以网络输入大小(如一般大 )。第一个卷积层一般 ,和卷积核的大小在步骤2是一个示例图像的长度,但对作物害虫图像,更大的感知也意味着更小的特征图谱。因此,内核将卷积的第一层 卷积内核,步长为2,它被命名为a。下面是一个ResNet-50网络。第一层的卷积层设置为A和B,即AResNet-50 BResNet-50,损失函数是标准Softmax损失函数,和训练数据集CASIA-Web LFW, YTF测试集进行了测试,实验结果如表所示8和图11。

我们可以发现设置B比a的使用原因可能是大型卷积内核将使特征尺寸下降太快,和网络不能有效学习和表达能力强的特性。使用设置B,地图大小是第一层的输出特性 ,和地图大小设置第一层的输出特性 ,所以,后者功能图像大小是前者的两倍,提高害虫识别的能力和速度。

实验使用BResNet-50作为基准模型,分别进行实验。损失函数是标准Softmax损失,CASIA-Web训练数据集,测试集是LFW YTF,辍学的参数被设置为0.4,辍学有轻微的正规化。效果可以减轻网络过度拟合的问题。六组实验的结果如图所示12。我们可以看到,5日设置有最好的识别效果,也就是说,辍学,内层,大部分谎言可以有效地提高害虫和疾病的表达。提高害虫识别的能力和速度。

在特征提取层设置,最终的输出的害虫特征维度有多个选择和尺寸最适合表达害虫和疾病特征仍然取决于研究者的经验。如果你尝试每个维度,实验的成本可能非常高。在过去,害虫和疾病的特点研究病虫害识别也不同。一般来说,害虫和疾病的特征维度越高,表达能力越强,但功能通道的数量的增加也会增加网络的计算负担,导致效率低下。因此,特别重要的是要找到一个合适的害虫和疾病的特征维度,不仅减少网络参数,而且加快网络训练过程。

每个损伤图像的7胡力矩特性如表所示9。

表中可以看到9胡力矩特性的参数值不同病变有明显差异,可有效区分4种不同的疾病。

通过各种病变图像(选择一个图像为每个),大小不变,当旋转程度是不同的,比如−30度,−15度,0度,15度、30度、泽尼克时刻的计算值是4种。枸杞疾病进行了分析,如表所示10。

表中可以看到10,对于每种类型的损伤图像,图像大小不变时,特征参数相对稳定和形状特征的病变可以通过旋转表示在不同的角度。

为了验证稳定性的特点,对一种病变的图像,在不同的旋转度,不同的缩放的放大,计算值进行比较和分析两种疾病,如表所示11。

它可以知道功能的组合和胡锦涛矩特征提取损伤特征可以更好地应用于疾病的识别特性的图像和识别效果优于单一使用胡锦涛力矩特性。

平均准确度、精度、召回和f - 1值是用来评估的三个模型作为一个整体。过去五的平均精度平均模型的结果。具体指标如表所示12。表中的数据显示,DCNN具有更好的性能。表示能力强,取得了良好的结果在本文作物疾病的数据集。

5。结论

(1)深度学习的理论基础上,分析了经典和最新的神经网络结构。网络基于自然图像分类是不适合农作物害虫识别任务。本文改进了网络结构,可以同时识别识别速度和识别精度。农作物病虫害的影响特征提取层对识别性能进行了探讨。分层的优缺点和全球平均池层终于作为害虫和疾病特征提取的结构层(2)将Softmax交叉熵损失函数,该类中的紧缩的问题和组内的增加不能同时满足。类之间的距离增加了添加间隔从度量学习的角度;将Softmax交叉熵损失函数改为余弦距离损失函数。迫使损失函数缩小的类内距离,所以界面变成了边界区域,类之间的距离增加,大大提高了识别率的害虫和疾病。本文不同于乘法间隔的缺点,这是很难培养,难以调整。提出了添加剂间隔损失函数方法。实验结果表明,不仅训练变得简单而且害虫和疾病的识别率可以改善(3)可能会有重叠的害虫和疾病数据集之间的问题,这是不利于最终模型的泛化。本文仔细屏幕常用的害虫和疾病的数据集。后删除重复数据,最终精度测试集将略有减少,但可以提高模型的泛化能力。害虫和疾病检测系统,提高害虫网络,和损失函数是用于开发害虫识别系统的接口。张向前流深度学习框架被用作模型推理工具来验证系统的有效性的态度和闭塞。在以后的工作中,病叶和作物疾病的患病的部分被识别样本与复杂的环境。同时,拍照的识别在自然环境中直接使模型的识别精度较高,所以这篇文章作为一个整体更有实际的指导意义

数据可用性

本文不涉及数据的研究。没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了教育部高等教育部门的中华人民共和国的金融支持工业大学合作的合作教育项目根据合同201702038005。

引用

1. k . Hakala a . o . Hannukkala e . Huusela-Veistola m . Jalli p . Peltonen-Sainio,“气候变化的害虫和疾病:芬兰作物生产的一个主要挑战”农业与食品科学,20卷,不。1,3 - 14,2011页。视图:出版商的网站|谷歌学术搜索
2. j·a·斯坦伯格m .嗨Ahman,和c . Bjorkman”优化作物生物防治害虫和疾病,”植物科学的趋势,20卷,不。11日,第712 - 698页,2015年。视图:出版商的网站|谷歌学术搜索
3. Graziosi, n . Minato e·阿尔瓦雷斯et al .,“新兴东南亚木薯害虫和疾病:地理重点的综合评价,管理选项和研究需要,”害虫管理科学,卷72,不。6,1071 - 1089年,2016页。视图:出版商的网站|谷歌学术搜索
4. r·t·Gahukar”植物的农作物保护产品:各种应用方法对害虫和疾病的影响,“Phytoparasitica,44卷,不。3、379 - 391年,2016页。视图:出版商的网站|谷歌学术搜索
5. t .隋,d公司、太阳x和m .傅”多传感器状态估计在有损渠道使用编码测量,”自动化,第111卷,第108561页,2020年。视图:出版商的网站|谷歌学术搜索
6. m·多纳泰利·r·d·Magarey s Bregaglio l . Willocquet j . p . m .呼呼的声音,和s . Savary”造型的影响害虫和疾病在农业系统中,“农业系统,卷155,不。5,213 - 224年,2017页。视图:出版商的网站|谷歌学术搜索
7. 张x, g,美国马,“深度学习”,语义计算的国际期刊,10卷,不。3、417 - 439年,2016页。视图:出版商的网站|谷歌学术搜索
8. c .锣,y, j .高,y . Wang和l .严”一种改进delay-suppressed滑模观测器的无传感器矢量控制的永磁同步电动机,”IEEE工业电子产品,卷67,不。7,5913 - 5923年,2019页。视图:谷歌学术搜索
9. A . f s Yoon s . Kim和d公园,“一个健壮的deep-learning-based检测器实时番茄病虫害识别,”传感器,17卷,不。9,2022年,页2017。视图:出版商的网站|谷歌学术搜索
10. 问:江、f .邵w·林k .顾g .江和h的太阳,“优化多级歧视盲人字典图像质量评估,”IEEE多媒体,20卷,不。8,2035 - 2048年,2017页。视图:谷歌学术搜索
11. 问:江,s, g . Wang y, y王,“人类microrna-disease协会基于支持向量机预测,“国际期刊的数据挖掘和生物信息学,8卷,不。3,p。282年,2013年。视图:出版商的网站|谷歌学术搜索
12. k . p . Ferentinos“深度学习模式植物病害检测和诊断,”计算机和电子产品在农业,卷145,不。5,311 - 318年,2018页。视图:出版商的网站|谷歌学术搜索
13. s . w .张、y . j .商和l . Wang“植物病害识别基于植物叶子图像。”动物和植物科学杂志》上,25卷,不。3、使,2015页。视图:谷歌学术搜索
14. y Kyosuke、t·隆和y Norio,“植物病害图像的超分辨率的加速度映像的表现型和活力诊断在农业、”传感器,17卷,不。11,2557年,页2017。视图:出版商的网站|谷歌学术搜索
15. x z Cai和郑”,私人和高效智能cyber-physical系统上传的数据的机制,”IEEE网络科学与工程,7卷,不。2、766 - 775年,2018页。视图:谷歌学术搜索

版权

版权©2021 Yuanhui玉。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。