融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类.pdf
《融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类.pdf》由会员分享,可在线阅读,更多相关《融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类.pdf(7页珍藏版)》请在咨信网上搜索。
1、快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义,为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题,融合 与种典型卷积神经网络结构对 种水稻病害进行分类识别。利用 的 深度学习框架搭建卷积神经网络的图像识别分类系统,使用 损失函数解决数据集不平衡导致识别准确率低的问题,采用 、作为特征提取骨干,对 种水稻病害进行识别。通过 库增强数据,将 张水稻病害图像按照 的比例划分为训练集和验证集并参与训练模型,将 张水稻病害图像作为测试集来验证模型的准确性。结果表明,所搭建的数据集中 、的识别准确率分别为 、。可见,在融合 损失函数的情
2、况下,作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率,该成果可在实际生产中实现水稻病害的自动分类识别,有助于水稻病害的防治工作。关键词:水稻病害识别;卷积神经网络;中图分类号:文献标志码:文章编号:()收稿日期:基金项目:华南农业大学 碧桂园校地校企合作项目;广东省引进领军人才项目(编号:);广东省重点领域研发计划(编号:);高 等 学 校 学 科 创 新 引 智 计 划(编 号:);岭南现代农业实验室科研项目(编号:)。作者简介:杨非凡(),女,陕西咸阳人,硕士研究生,主要从事计算机视觉与无人机遥感研究。:。通信作者:兰玉彬,博士,教授,博士生导师,主要从事精准农业航空与遥
3、感技术研究。:。水稻作为我国南方的主要粮食作物,占全国粮食种植面积的 。在水稻生长期内伴生的多种病害常导致水稻减产,因此水稻病害的诊断与防治具有重要意义。传统水稻病害识别方法主要为专家目视观察水稻患病部位,根据患病部位的特征判断患病种类。该方法具有效率低、工成本高、专业技能要求高等缺点,不利于及时对水稻病害进行精准防控 。基于深度学习技术在图像识别领域具有无损、高效的特点,已有部分研究人员将其应用到植物病害识别领域中。等将神经网络用于识别茶树的 种疾病 。等使用深度学习识别番茄病害种类,准确率为 。徐振南等将 用于识别马铃薯叶部病害,准确率为 。邓小玲等采用基于无人机遥感的 神经网络结合 算法
4、对柑橘病害进行分类,准确率达 。等提出一种基于高光谱反射率的机器学习算法,对田间柑橘黄龙病进行无损检测 。等基于卷积神经网络对小麦叶锈病进行分类,总体准确率和标准误差分别为 和 。谢军等将 模型经过二次迁移后对稀疏样本的茶树病害进行识别,验证样本识别率为 。王利伟等利用数字图像处理和支持向量机技术对葡萄的白粉病、黑腐病、霜霉病进行分类,识别正确率为 。还有学者针对深度学习在水稻病害识别领域开展研究,姜敏等将 应用于水稻病虫害检测中,准确率在 以上 。杨颖等提出基于方向梯度直方图与局部二值模式混合特征结合支持向量机的水稻病虫害识别方法,检出率可达 。等提出一种两阶段小型卷积神经网络结构,收集 张
5、图片用于识别水稻病虫害,精确度达 。等采用基于 变换的水稻病害识别方法,准确率达 。等提出一种 神经网络来预测水稻叶片疾病,准确率为 。另外,在深度学习领域,非江苏农业科学 年第 卷第 期平衡数据集对模型结果影响巨大,针对非平衡数据集识别准确率低的问题,等于 年提出 损失函数,用来解决一阶段()目标检测任务中因正负样本比例不平衡导致检测准确率低的问题,该损失函数通过减少大量简单负样本在训练中所占的权重来改善目标检测效果 。上述学者针对植物病害识别的研究虽然取得了不错的效果,但是针对水稻病害识别的研究仍然存在准确率不够高,研究的水稻病害种类少,且未对主流神经网络在水稻病害识别上的效果进行对比。本
6、研究融合 损失函数与 种优秀的卷积神经网络 、,在非平衡数据集上对 种常见水稻病害进行分类,对训练出的 种水稻病害识别模型的收敛速度,识别效果进行对比 ,以探究一种可自动、准确识别水稻病害的方式,并为智慧农业和精准农业实践提供参考。材料与方法 材料本研究数据集来源为自采集结合网络图片,网络图片来源为中国科学院合肥智能机械研究所智能研究组公开的水稻数据集。自采集部分通过数码相机与手机在不同时间、不同拍摄角度的自然光照下拍摄,以保证样本多样性,拍摄地点位于华南农业大学增城教学科研基地和广东省佛山市三水区三水农场,根据不同病害产生的时间,拍摄时间分布于 年 月,拍摄后的图片经过筛选裁剪后得到原始图片
7、集,收集的图片通过缩放、镜像、翻转、旋转、平移、改变色度、高斯模糊等方式随机组合对图像进行增强,增强效果见图 。图像增强主要用于图片库的扩增,防止因样本量少而导致模型产生过拟合现象,增强模型的鲁棒性,最终得到用于水稻病害识别的数据集,包括 种病害共 张图片。其中,训练集 张,测试集 张,种水稻病害类型对应图片见图 ,每种病害所包含的图片数量见表 。方法 迁移学习大规模的数据集是训练出优秀模型的重要条件。迁移学习是指运用已有(源领域)知识求解不同但相关领域(目标领域)问题的一种新的机器学习方法。运用迁移学习可以在少量水稻病害数据的条件下训练出精准的水稻病害识别模型。迁移学习可分为 类:基于权重的
8、迁移学习、基于特征选择的迁移学习、基于特征映射的迁移学习 。损失函数优化深度学习领域的传统损失函数为交叉熵损失函数,交叉熵损失函数计算公式为其中 ()其他。()模型经过 个 训练并激活后,结果通过 归一化为概率值输出,代表图像预测为每个江苏农业科学 年第 卷第 期表 水稻病害种类及对应图片数量病害类型训练集图片数量(张)测试集图片数量(张)白叶枯病 稻曲病 胡麻斑病 穗颈瘟 纹枯病 细菌性条斑病 叶瘟 类别的概率,在公式()中用 表示,在 之间,取最大概率类别为预测类别。表示该图片的真实类别,由公式()可得出交叉熵损失函数对于正样本()而言,越大,表示正样本越容易分类,其损失值越小;对于负样本
9、而言(其他),越小表示负样本越容易分类,其损失值越小,此时的损失函数在大量简单样本(易分类)的迭代过程中缓慢变化,难以达到最优;另外,在深度学习领域,样本均匀性对模型结果影响巨大,当样本分布失衡时,损失函数也会随之倾斜,由于损失函数的倾斜,模型在训练过程中会侧重于样本量多的类别,导致模型对样本量少的类别识别效果变差。损失函数可解决上述 个问题,计算公式分别为 ()();()其中 其他。()相较于交叉熵损失函数多了 组(),其中 。验证一:能够有效降低易分类样本的 值;仅考虑 不考虑,对于易分类正例样本,假设为 ,。()();交叉熵损失函数 。可以验证 能够有效降低易分类样本的 值,易分类样本的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类 融合 Focal Loss 典型 卷积 神经网络 结构 水稻 病害 图像 分类
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。