• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于殘差網(wǎng)絡(luò)的人參葉片病害診斷模型研究

      2022-09-29 14:46:54韓永奇馬東賀張蕓
      電腦知識(shí)與技術(shù) 2022年23期

      韓永奇 馬東賀 張蕓

      摘要:本文利用殘差網(wǎng)絡(luò)結(jié)構(gòu)模型,針對(duì)人參白粉病、黑斑病、灰霉病、炭疽病、疫病5種病害,共105個(gè)數(shù)據(jù)集進(jìn)行測(cè)試和訓(xùn)練,生成人參葉片病害識(shí)別模型,利用ResNet18網(wǎng)絡(luò)模型完成了對(duì)人參葉片病害的檢測(cè)。結(jié)果表明,在經(jīng)過(guò)多次參數(shù)優(yōu)化后,ResNet18模型的分類(lèi)精度可以達(dá)到99%。

      關(guān)鍵詞:殘差網(wǎng)絡(luò);人參病害;ResNet18

      中圖分類(lèi)號(hào):TP389? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A

      文章編號(hào):1009-3044(2022)23-0005-03

      1 前言

      人參在生長(zhǎng)的過(guò)程會(huì)受到當(dāng)?shù)氐目諝鉂穸取囟?、氣候、土壤等環(huán)境因素和工業(yè)化的廢氣、廢水等人為因素的影響,都會(huì)直接影響到人參的健康生長(zhǎng)[1]。而經(jīng)過(guò)人們的種植經(jīng)驗(yàn)和許多生物學(xué)家的不斷探索發(fā)現(xiàn),人參的健康狀況可以直接體現(xiàn)在葉片的質(zhì)量和生長(zhǎng)情況上。為了確保人參的健康生長(zhǎng),在其發(fā)生病害時(shí),及時(shí)地診斷出葉片病害并進(jìn)行治療是十分有必要的。目前,我國(guó)對(duì)各種植物的病害診斷,還是以人工檢測(cè)為主,這種診斷方式效率較低,很容易造成誤判,已經(jīng)漸漸無(wú)法滿(mǎn)足如今農(nóng)業(yè)現(xiàn)代化和信息化的要求。近年來(lái),隨著人工智能和深度學(xué)習(xí)的蓬勃發(fā)展,越來(lái)越多的研究開(kāi)始探索,利用神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力和識(shí)別能力,通過(guò)植物葉子的圖像對(duì)植物病害進(jìn)行檢測(cè)[2]。這種將機(jī)器學(xué)習(xí)技術(shù)應(yīng)用到植物病害檢測(cè)的方法,使得植物病害檢測(cè)更加準(zhǔn)確方便,節(jié)省了大量的人力物力[3-4]。

      2 殘差網(wǎng)絡(luò)

      針對(duì)一般卷積神經(jīng)網(wǎng)絡(luò)易出現(xiàn)過(guò)擬合和梯度消失問(wèn)題,提出了基于殘差網(wǎng)絡(luò)(Residual Networks,ResNet)結(jié)構(gòu)的ResNet模型。其基本思想是將殘差塊加入到深層卷積神經(jīng)網(wǎng)絡(luò)中,將深層網(wǎng)絡(luò)模型構(gòu)建為淺層網(wǎng)絡(luò)模型和自身映射的疊加,然后把訓(xùn)練好的淺層網(wǎng)絡(luò)結(jié)構(gòu)與自身映射的增加層,通過(guò)殘差塊進(jìn)行巧妙連接。大量的實(shí)驗(yàn)結(jié)果證明,殘差映射比原始最優(yōu)解映射更容易得到優(yōu)化[5-7]。

      如圖1所示,確定葉片圖像病害檢測(cè)所用的網(wǎng)絡(luò)模型后,開(kāi)始對(duì)原始的圖片樣本數(shù)據(jù)進(jìn)行預(yù)處理。由于本次研究的原始數(shù)據(jù)樣本數(shù)量較小,所以在實(shí)驗(yàn)過(guò)程中擬對(duì)圖像進(jìn)行預(yù)處理和數(shù)據(jù)增強(qiáng)[8];然后將處理后的圖像通過(guò)ResNet網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練,得到訓(xùn)練后的網(wǎng)絡(luò)模型;最后利用已訓(xùn)練的模型對(duì)隨機(jī)選擇的人參葉片進(jìn)行病害診斷,得到診斷結(jié)果[9-10]。

      3人參葉片病害診斷模型構(gòu)建

      本實(shí)驗(yàn)準(zhǔn)備將患有不同病害的人參葉片圖片作數(shù)據(jù)集,利用ResNet18網(wǎng)絡(luò)模型對(duì)其訓(xùn)練,完成病害圖片的分類(lèi)。診斷模型的構(gòu)建分兩步:

      (1)對(duì)用于模型訓(xùn)練與測(cè)試的人參葉片圖片進(jìn)行數(shù)據(jù)預(yù)處理操作,包括對(duì)圖片做分類(lèi)標(biāo)簽、等分辨率裁剪、按比例劃分訓(xùn)練集和測(cè)試集等操作。

      (2)加載ResNet18預(yù)訓(xùn)練模型,結(jié)合人參葉片圖片進(jìn)行微調(diào)訓(xùn)練,觀察模型訓(xùn)練收斂速度,調(diào)整超參數(shù)到最佳,得到微調(diào)之后的人參葉片圖片分類(lèi)模型。

      3.1 數(shù)據(jù)處理

      在利用深度學(xué)習(xí)進(jìn)行分類(lèi)和檢測(cè)時(shí),為了讓模型的泛化能力更好,往往需要準(zhǔn)備質(zhì)量達(dá)到標(biāo)準(zhǔn)且已做好分類(lèi)標(biāo)記的數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò),數(shù)據(jù)對(duì)模型最后學(xué)習(xí)的結(jié)果有著直接的影響,數(shù)據(jù)集的準(zhǔn)備是重中之重的部分。本次實(shí)驗(yàn)采集了50張人參葉片圖片數(shù)據(jù),其中包含了5種常見(jiàn)的人參葉片病害:“白粉病-8”“黑斑病-14”“人參灰霉病-26”“人參炭疽病”“人參疫病”,如圖2所示。

      為了保證模型的泛化能力,本文在已有人參圖片樣本的基礎(chǔ)上,通過(guò)一定的數(shù)據(jù)增強(qiáng)方法對(duì)幾種人參病害的數(shù)據(jù)進(jìn)行了擴(kuò)充。本次實(shí)驗(yàn)中主要采用了以下方法對(duì)人參葉片病害圖片數(shù)據(jù)集進(jìn)行了擴(kuò)充,所使用的函數(shù)均為深度學(xué)習(xí)包Keras下的ImageDataGenerator這個(gè)類(lèi),該類(lèi)可以很方便地給原始數(shù)據(jù)加入一些隨機(jī)擾動(dòng)。

      (1)將原始圖像水平和豎直平移一段距離,并保存新圖像。在實(shí)驗(yàn)時(shí)設(shè)置平移的最大范圍占整個(gè)圖片寬、高的20%,對(duì)于由于平移而空出來(lái)的區(qū)域,選擇的填充方式為“wrap”。設(shè)置代碼為:

      ImageDataGenerator(width_shift_range=0.2, height_shift_range=0.2, fill_mode='wrap')。平移后的圖片示例如圖3所示。

      (2)將原始圖像隨機(jī)旋轉(zhuǎn)一定的角度,并保存新圖像。實(shí)驗(yàn)中將圖片旋轉(zhuǎn)范圍設(shè)置為45,即圖像會(huì)在[0°,45°]的范圍內(nèi)任意旋轉(zhuǎn)一個(gè)角度。設(shè)置代碼為ImageDataGenerator(rotation_range =45)。旋轉(zhuǎn)后的圖片示例如圖4所示。

      經(jīng)過(guò)以上處理,將原始的數(shù)據(jù)集擴(kuò)展為原來(lái)的5倍,大大增加了樣本的多樣性,減小了樣本過(guò)擬合的風(fēng)險(xiǎn),增強(qiáng)了模型的泛化能力。

      在得到人參葉片圖片后,還需要對(duì)所有圖片進(jìn)行病害分類(lèi)標(biāo)記,并將標(biāo)記后的數(shù)據(jù)存入.txt文件中,標(biāo)記規(guī)則如表1所示:

      對(duì)于數(shù)據(jù)集中的每張圖片,若患有該種病害則標(biāo)記為1,反之則為0。例如第二張圖片為“白粉病-8”,則第二張圖片在不同標(biāo)記數(shù)據(jù)中的值為1、0、0、0、0。同時(shí),由于在大部分的分類(lèi)網(wǎng)絡(luò)中,圖片在輸入網(wǎng)絡(luò)前,需要保證尺寸一致。因此,在完成病害圖片的標(biāo)記后,需要對(duì)圖片的尺寸進(jìn)行調(diào)整。本次實(shí)驗(yàn)采集到的人參圖片分辨率均大于300×300,所以將圖片裁剪為224×224的統(tǒng)一尺寸,作為網(wǎng)絡(luò)的數(shù)據(jù)輸入。

      3.2 模型訓(xùn)練

      本次選擇的操作系統(tǒng)版本為Ubuntu 18.04長(zhǎng)期維護(hù)版,計(jì)算機(jī)內(nèi)存為16G,顯卡為NVIDIA GeForce GTX 1650,編程語(yǔ)言采用Python 3.6版本,同時(shí)實(shí)驗(yàn)基于深度學(xué)習(xí)框架PyTorch進(jìn)行開(kāi)發(fā),集成開(kāi)發(fā)軟件為JetBrains PyCharm。

      在完成了圖片數(shù)據(jù)的預(yù)處理后,本次實(shí)驗(yàn)采用基于ResNet18的網(wǎng)絡(luò)模型對(duì)人參病害葉片圖片進(jìn)行分類(lèi)。首先,將每一類(lèi)的圖片按照8:2的比例分為訓(xùn)練集和驗(yàn)證集。為了進(jìn)一步提高本次實(shí)驗(yàn)所用模型的泛化能力,本實(shí)驗(yàn)采用的神經(jīng)網(wǎng)絡(luò)模型為已經(jīng)過(guò)預(yù)訓(xùn)練的ResNet18模型,將此模型進(jìn)行微調(diào),得到調(diào)整之后的模型。將此模型加載到本實(shí)驗(yàn)所采用的人參葉片圖片分類(lèi)模型中,調(diào)整模型參數(shù),通過(guò)遷移學(xué)習(xí)的方法完成對(duì)小樣本圖片數(shù)據(jù)的分類(lèi)。

      在深度學(xué)習(xí)的訓(xùn)練過(guò)程中,包括批處數(shù)量Batch_size、學(xué)習(xí)率、優(yōu)化算法等超參數(shù)對(duì)網(wǎng)絡(luò)的訓(xùn)練精度有著非常重要的影響。實(shí)驗(yàn)中通過(guò)多次試驗(yàn)的精度對(duì)比,確定了效果最好的一組參數(shù),具體參數(shù)如表2所示。

      在參數(shù)設(shè)置完成后,即可將人參葉片圖片輸入ResNet18預(yù)訓(xùn)練模型中進(jìn)行訓(xùn)練。ResNet18模型的網(wǎng)絡(luò)配置參數(shù)如表3所示。

      表3只展示了整個(gè)Resnet18模型中卷積層、全連接層的配置參數(shù),每一層所使用的激活函數(shù)和Batch Normalization。下面以第二個(gè)卷積層Conv2_x為例,說(shuō)明具體的網(wǎng)絡(luò)結(jié)構(gòu),如圖5所示。

      從圖5中可以看出,在輸出層之前的每一個(gè)卷積操作之前,都會(huì)加上Batch Normalization(BN)操作和ReLu激活函數(shù)。在卷積操作之后,首先進(jìn)行Batch Normalization操作,對(duì)數(shù)據(jù)進(jìn)行歸一化為均值為0,方差為1的數(shù)據(jù),使數(shù)據(jù)進(jìn)入下一層之前保證參數(shù)量級(jí)沒(méi)有很大的變化。在不同卷積層之間加入Batch Normalization可以加速收斂,降低了權(quán)重值的尺度對(duì)模型的影響,并且在小樣本圖片訓(xùn)練過(guò)程中加入Batch Normalization,可以代替Dropout,抑制模型的過(guò)擬合。模型在BN層之后引入了激活函數(shù)ReLu,增加模型的非線(xiàn)性映射能力。模型其他層的結(jié)構(gòu)與Conv2_x層類(lèi)似,在通過(guò)Conv5_x和池化層后利用Softmax輸出最終的分類(lèi)結(jié)果。

      3.3 實(shí)驗(yàn)結(jié)果

      實(shí)驗(yàn)中基于已訓(xùn)練的ResNet18網(wǎng)絡(luò)模型對(duì)單個(gè)種類(lèi)的人參葉片病害圖片檢測(cè)精度對(duì)比如表4所示。

      從表4中可以看出,雖然本文所用的人參葉片圖片數(shù)量較少,但是在使用了預(yù)訓(xùn)練模型后,增強(qiáng)了模型的泛化能力,且本次測(cè)試集所使用的圖片也來(lái)自訓(xùn)練集圖片。因此,即使在本次小樣本的分類(lèi)預(yù)測(cè)實(shí)驗(yàn)中也達(dá)到了很高的精度,對(duì)所有病害的檢測(cè)精度均達(dá)到了99%以上。

      4 結(jié)論

      本文以人參葉片常見(jiàn)的五種病害為例,展開(kāi)了預(yù)測(cè)算法的研究工作,并通過(guò)將預(yù)訓(xùn)練的ResNet18網(wǎng)絡(luò)模型應(yīng)用于人參葉片圖片分類(lèi)檢測(cè)任務(wù)中,取得了較高的人參病害檢測(cè)精度,驗(yàn)證了深度學(xué)習(xí)在人參葉片病害診斷上的優(yōu)勢(shì)和有效性。 但由于實(shí)驗(yàn)設(shè)備的限制,本次實(shí)驗(yàn)沒(méi)有采用較為復(fù)雜但精度表現(xiàn)更好的ResNet50,ResNet101等深層殘差網(wǎng)絡(luò)來(lái)進(jìn)行實(shí)驗(yàn)和模型搭建,而是改用了結(jié)構(gòu)相對(duì)簡(jiǎn)單的ResNet18來(lái)進(jìn)行,而深層神經(jīng)網(wǎng)絡(luò)在人參病害檢測(cè)上的表現(xiàn)是否要優(yōu)于ResNet18,還有待進(jìn)一步研究。此外,本次人參葉片圖片的采集過(guò)程和來(lái)源較為簡(jiǎn)單和單一,導(dǎo)致訓(xùn)練樣本較小,雖然利用遷移學(xué)習(xí),且在測(cè)試時(shí)使用了和樣本圖片極為類(lèi)似的人參病害圖片,在預(yù)訓(xùn)練模型上也完成了對(duì)人參葉片圖片的分類(lèi)檢測(cè),達(dá)到了較好的檢測(cè)精度,但是若能采集到更多質(zhì)量更好、數(shù)量更多的圖片,最終的效果會(huì)有進(jìn)一步的提升。

      參考文獻(xiàn):

      [1] 于合龍,丁民權(quán),黃浦,等.基于ZigBee網(wǎng)絡(luò)的人參生長(zhǎng)監(jiān)測(cè)及病害預(yù)警[J].吉林農(nóng)業(yè)大學(xué)學(xué)報(bào),2017,39(1):120-126.

      [2] 賈少鵬,高紅菊,杭瀟.基于深度學(xué)習(xí)的農(nóng)作物病蟲(chóng)害圖像識(shí)別技術(shù)研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2019,50(S1):313-317.

      [3] 葉中華,趙明霞,賈璐.復(fù)雜背景農(nóng)作物病害圖像識(shí)別研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2021,52(S1):118-124,147.

      [4] 孫俊,譚文軍,毛罕平,等.基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2017,33(19):209-215.

      [5] 趙春霞.基于ResNet18的圖像分類(lèi)在農(nóng)作物病蟲(chóng)害診斷中的應(yīng)用[J].農(nóng)業(yè)與技術(shù),2021,41(19):10-13.

      [6] 樊杰.基于深度殘差網(wǎng)絡(luò)的農(nóng)作物葉片病癥識(shí)別研究[D].包頭:內(nèi)蒙古科技大學(xué),2020.

      [7] 吳華瑞.基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識(shí)別方法[J].智慧農(nóng)業(yè),2019,1(4):42-49.

      [8] 張賀.基于深度度量學(xué)習(xí)的小樣本圖像分類(lèi)方法研究[D].西安:西安理工大學(xué),2021.

      [9] 李博,江朝暉,謝軍,等.基于遷移學(xué)習(xí)的園藝作物葉部病害識(shí)別及應(yīng)用[J].中國(guó)農(nóng)學(xué)通報(bào),2021,37(7):138-143.

      [10] 王東方,汪軍.基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的農(nóng)作物病害分類(lèi)[J].農(nóng)業(yè)工程學(xué)報(bào),2021,37(4):199-207.

      【通聯(lián)編輯:唐一東】

      收稿日期:2022-05-15

      基金項(xiàng)目:吉林省教育廳科學(xué)技術(shù)研究項(xiàng)目“基于人工智能的人參精準(zhǔn)種植與病害診斷系統(tǒng)研究, JJKH20210329KJ”; 吉林省科技發(fā)展計(jì)劃項(xiàng)目“吉農(nóng)在線(xiàn)直播云課堂與農(nóng)技智能問(wèn)答系統(tǒng)的開(kāi)發(fā)與應(yīng)用,20210404020NC”

      作者簡(jiǎn)介:韓永奇(1980—),男,吉林長(zhǎng)春人,副教授,碩士,主要研究方向農(nóng)業(yè)信息化。

      宝坻区| 永靖县| 宁津县| 扶绥县| 桃园市| 北流市| 兰州市| 兴安县| 繁峙县| 温州市| 东光县| 盘山县| 嘉善县| 崇仁县| 岳西县| 阜宁县| 乌拉特前旗| 乾安县| 巴楚县| 威远县| 黄石市| 桂林市| 顺义区| 桃园县| 丰都县| 漳州市| 阿巴嘎旗| 秀山| 荣成市| 惠安县| 鄂温| 鄄城县| 柘荣县| 达日县| 天台县| 镇康县| 盖州市| 全州县| 习水县| 抚远县| 保靖县|