基于GPDCNN在黄瓜叶片病害鉴定中的应用

实验数据
分辨率为2456×2058像素的BM-500GE / BB-500GE数码彩色摄像机用于捕获作物病叶图像。从陕西杨凌农业高新技术产业示范区的黄瓜种植基地，收集了6种常见黄瓜叶病和100种正常叶的600个黄瓜病叶，每种疾病有100个叶片图像，在几种不同的条件下具有典型的疾病症状。

数据增强
有效的CNN模型依赖于大规模图像集上的大量迭代训练。但是，我们的数据集量太小，无法克服网络的过度拟合。为了产生足够的病叶图像并增加数据集的多样性，首先采集天然黄瓜病叶图像，然后使用数据增强技术进行处理，包括几何变换（随机移位，随机调整大小，随机裁剪，随机旋转/反射，水平） /垂直翻转）和强度变换（调整对比度和亮度增强，颜色抖动，噪声添加，PCA抖动，径向模糊）
每个原始图像分别通过旋转模糊和缩放模糊径向模糊，旋转模糊单元为10，缩放模糊单元为30; 每个原始图像的色调，饱和度和亮度增加20％，对比度增加30％，锐度减少10％; 透视变换需要 3×3 变换矩阵; 将30％高斯噪声添加到原始图像中，偏移量为0.2，标准偏差为0.3，并且PCA（主成分分析）抖动用于干扰自然图像。图像之后增加，每个图像产生50个图像。因此，我们获得600×50 = 30,000个病叶图像和30,000个对应的分割病变图像，以及5000个正常叶图像。最后，构建两个一般数据集，即包含所有正常叶图像和病变图像数据集的患病叶图像数据集。两个数据集能够模拟图像采集的自然环境，为CNN的泛化能力提供了重要保证。

该注释过程针对病变叶图像中病变区域的疾病类标签。从图像数据集开始，我们使用边界框和类手动注释包含病变的每个图像的区域。根据感染状况，一些病变可能看起来相似，因此该区域的专家提供了对病叶类型进行分类的知识。注释输出是具有相应疾病类别的不同大小的边界框的坐标，因此将在测试期间利用网络的预测结果来评估。

我们构建了一个新的全球汇集扩张卷积神经网络（GPDCNN），用于黄瓜疾病识别，包括两个主要阶段：全球汇集CNN作为2D特征提取的前端和扩张的CNN对于扩展内核的后端，以提供更大的接收字段并替换池操作。与现有的AlexNet模型相比，GPDCNN有三个改进：
（1）通过扩张卷积增加第一卷积层的感受野 ;
（2）用全局池层替换完全连接层，以减少网络参数 ;
（3）通过多尺度特征融合增加特征的多样性。
本文的主要贡献概括如下：
（1）AlexNet模型中的卷积核被扩张卷积取代，扩散卷积可以扩大局部感受野并增强卷积层的特征提取能力。
（2）使用全局池层可以有效地减少训练参数的数量，并在一定程度上避免过度拟合。
（3）多尺度卷积核用于提取输入图像的多尺度特征。融合这些特征后，可以提高模型的识别精度和鲁棒性。

GPDCNN算法流程
步骤1，从原始训练样本中提取前四层的特征图，包括conv1，pooling 1，conv2，pooling 2，conv3，pooling 3，conv4和pooling 4，从而获得192个基本特征图。
步骤2，在Inception图层中，提取的特征图由三个卷积算子和一个合并算子处理，提取多尺度特征图，包括128个合并特征图和三种卷积特征图。
步骤3，多尺度卷积层Inception包括三个卷积层和一个池层。卷积层和池层的大小为1×1。特征图的维数为96×96,16×16,64×64和32×32。
步骤4，对步骤3中获得的多尺度特征图进行整合，利用Concat使网络模型了解病变的更详细特征，在复杂背景下具有扩张卷积的网络模型具有较高的识别率。
步骤5，步骤4中的Concat由三个卷积层组成。卷积层的尺寸分别为1×1,3×3和5×5。获得的特征图的尺寸是128×128。
步骤6，将步骤5得到的融合特征映射提供给Conv5，全局汇聚层用于减少参数个数，避免过度拟合。
步骤7，步骤6中卷积层Conv5的维数为3×3，特征图的维数为448×448。全局合并层包括一个卷积层和一个批量归一化层，卷积层的维数为3× 3，输出尺寸为128×128。
步骤8，将步骤7中获得的特征图输入Softmax分类器，对植物病害进行分类。
GPDCNN算法框图

GPDCNN由具有动量因子的小批量SGD训练。批量大小在训练中设置为64，在测试中设置为50。动量设定为0.9而没有加速梯度。平均值为0且标准差为0.01 的高斯分布用于随机初始化网络的权重。小批量256的SGD用于通过最小化方程式中的总损失函数来更新网络参数。初始学习率设置为0.01，当时期为100或150时逐渐减少到原始的1/10，并且模型训练最多200个时期。正则化系数设置为0.0005，系数为Conv1中的扩展设置为2。
全局平均合并（GAP）能够减少由于邻域约束的大小而增加的估计方差引起的误差，并且尽可能地保留图像的背景信息，这有利于提取关键特征，而全局最大值池化（GMP）可以保留更多低级功能，但忽略高级功能。我们利用GAP进行黄瓜病识别。五重交叉验证（FFCV）用于验证所提出方法的性能。在FFCV中，数据集的所有图像样本被随机分成5个大小相等的子集。在每次，单个子集用作测试网络的测试集，而剩余的4个子集用作训练集来训练网络。交叉验证实验实施5次，5个子集中的每个子集仅使用一次作为测试集。因此，平均5个结果以产生FFCV实验的单个估计。下图是识别率与患病叶子数据集的训练中的迭代次数。

从上图中可以看出，两种常见DCNN和AlexNet模型的平均识别率约为87.65％，明显低于GPDCNN 90％的平均识别率。此外，当迭代次数达到约60,000次时，GPDCNN开始收敛。但DCNN和AlexNet需要超过90,000次迭代才能获得稳定的识别结果。在人才培养模式上的训练集来实现，在测试组进行了确认后，当实验似乎达到了预期的效果，对测试集获得最终的识别结果。从图6中可以看出，我们发现三个模型在17,000次迭代后达到稳定的结果。因此，为简单起见，我们对患病的叶子数据集执行GPDCNN，DCNN和AlexNet 180,000次迭代。然后应用训练的模型来识别测试集样本。为了验证GPDCNN在图像的自动特征提取中的优势，下图展示了在没有微调的10,000次迭代之后的不同层中的输出图像，其中所有原始患病叶子图像被用作训练样本。

为了减少随机效应的影响，我们重复FFCV实验50次并计算平均结果作为最终实验结果。表1给出了DCNNs，AlexNet和提出的GPDCNN方法的实验结果。

表1。通过DCNN，AlexNet和GPDCNN对患病叶片图像数据集的黄瓜病识别率。

从表1可以看出，GPDCNN在识别准确度和训练时间方面优于DCNN和AlexNet。原因是GPDCNN采用GAP而不是全连接来加速训练过程，并使用扩张卷积和多尺度卷积核来提高识别率。一些原因可能是，在DCNN和AlexNet结构中，由于使用了完全连接的层，并且它们提取多分辨率特征的能力，因此需要大量的计算和收敛时间来评估其大量的权重参数。取决于要素图的分辨率。

为了表明GPDCNN的优势，我们通过传统方法GLSVD和IPT对原始病叶图像数据集和分割点图像数据集进行疾病识别实验。比较结果在表2中给出。

表2。通过GLSVD，IPT和GPDCNN在不同数据集上的黄瓜疾病识别率（％）。

从表2中可以看出，所提出的方法在增强病叶图像数据集上获得了比传统方法更好的识别率，并且从分割病变图像数据集获得的改善较少，而GLSVD和IPT的识别率大大提高。在分割的病变图像数据集上。原因是GPDCNN需要大量的训练样本进行训练，并能自动从原始图像中学习高级抽象特征，而GLSVD和IPT的识别精度依赖于大量的图像分割和特征提取算法，而且它们不能直接从原始患病的叶子图像识别疾病类型。

从表1，表2 中我们得出结论：（1）GPDCNN比其他方法更稳健，并且其增强的分割病变图像数据集的识别率提高不那么明显; （2）传统的基于特征提取的方法在分割病变数据集上明显优于原始病变图像数据集，并且它们不需要大量训练样本，因为它们应用SVM或K-最近邻分类器对图像进行分类; （3）清楚地证明基于GPDCNN的疾病识别方法能够直接处理原始患病叶片图像并简化许多疾病识别的预处理步骤。图4表明DCNN和AlexNet模型比GPDCNN收敛得慢，因为它们应用完全连接的层将提取的特征映射连接成特征向量，这导致大的内存需求。而且，它们的网络结构不是最佳的，因为在同一卷积层中只使用一个卷积核。在GPDCNN中，在Inception层中，多尺度卷积核用于提取输入图像的多尺度特征。实验结果和收敛过程表明，GPDCNN具有较高的识别率和学习率。

5 。结论
本文提出了一种新的深度学习架构，称为GPDCNN，用于黄瓜病害识别。扩散卷积和全局池层用于聚合多尺度上下文信息并加速收敛，并提高识别率。利用扩张的卷积层，GPDCNN可以扩展感受野而不会损失分辨率。我们在具有最新性能的黄瓜病叶图像数据集上展示了该模型。在未来的发展中，我们打算通过探索概率图模型的关键作用来提高GPDCNN的性能，并进一步增强我们在作物病害识别系统领域的方法。

最后给出论文来源（GPDCNN论文原文）

基于GPDCNN在黄瓜叶片病害鉴定中的应用相关推荐

基于DeepLabV3+与U-Net融合的黄瓜叶片病害严重程度分类方法
1.研究内容基于深度学习的简单环境下蔬菜病害识别与分割研究取得了一定的成功.然而,在复杂的环境中,图像背景中往往包含与叶片和病斑表示相似的元素,使得识别模型难以分割叶片和病斑.因此,分割精度明显降低 ...
苹果叶片病害识别中的深度学习研究
苹果叶片病害识别中的深度学习研究 1.研究内容基于DenseNet-121深度卷积网络,提出了回归.多标签分类和聚焦损失函数3种苹果叶片病害识别方法. 2.数据集介绍用于识别的图像数据集来源于Ai ...
基于椭圆-最大边缘准则学习的小麦叶片病害及其严重程度识别
A B S T R A C T 快速准确地识别小麦叶片病害及其严重程度,有利于小麦叶片病害的准确防治.以白粉病和条锈病为研究对象,提出了一种基于椭圆-最大边际准则(E-MMC)度量学习的小麦叶片病害及 ...
基于深度残差网络的番茄叶片病害识别方法
基于深度残差网络的番茄叶片病害识别方法 1.研究思路该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数,降低了深度学习网络的训练难度.在此基础上,通过在传统深度神经网络中添加残差单元,解决了 ...
基于深度学习的大豆叶片病害识别(自然环境下1470张图像)
Abstract 本文提出了一种利用卷积神经网络(CNN)识别自然环境下大豆叶片病害的新方法.使用AlexNet.GoogLeNet和ResNet进行迁移学习.首先,通过设置不同的批量大小和迭代次数, ...
基于深度学习的农作物叶片病害检测系统（UI界面+YOLOv5+训练数据集）
摘要:农作物叶片病害检测系统用于智能检测常见农作物叶片病害情况,自动化标注.记录和保存病害位置和类型,辅助作物病害防治以增加产值.本文详细介绍基于YOLOv5深度学习模型的农作物叶片病害检测系统,在介 ...
基于多分类支持向量机和KNN分类器的大豆叶片病害检测与严重程度测量
基于多分类支持向量机和KNN分类器的大豆叶片病害检测与严重程度测量 ABSTRACT 大豆真菌病如枯萎病.褐斑病和褐斑病由于症状严重和缺乏治疗,是严重威胁大豆植株的疾病.传统的疾病诊断依赖于病机肉眼观 ...
作物叶片病害识别系统
摘要农作物病害的种类繁多,这直接影响了农作物的产量和品质,造成不可估量的损失.此数据集是使用原始数据集的脱机扩充重新创建的.该数据集由大约87K健康和病害作物叶的rgb图像组成,分为38个不同的类 ...
玉米叶片病害分类的深度转移模型（改进AlexNet）
目前,深度学习在图像分析和目标分类中发挥着重要作用.玉米病害导致产量下降,进而成为全球农业经济损失的突出因素.此前,研究人员已经使用手工制作的特征对玉米植株的叶片疾病进行图像分类和检测.如今,深度学习 ...

基于GPDCNN在黄瓜叶片病害鉴定中的应用

基于GPDCNN在黄瓜叶片病害鉴定中的应用相关推荐

最新文章

热门文章