基于LeNet的农业病害图像识别

实验流程：

1. 问题分析
2. 整体框架
3. 数据准备
4. 代码实现
5. 实验结果

a. 问题分析
首先我们针对农业病害识别问题做一个简单分析，我们希望做出来的效果是：用户输入一张患病的植物图片，得到该病害所属类型，同时输出预测准确率accuracy和loss。
b.整体框架如下图：

c.数据准备
我们使用的数据均来自网络搜集，本次实验我们只选择了四种玉米病害图像进行实验，数据已经经过预处理，分布如下表：

真实数据是下面这样的：

d.代码实现
我们使用Keras编写的代码结构，实验中加入了Keras ImageDataGenerator 增强我们的数据。数据集读取方式直接采用Keras自带的，训练集和测试集数据各放在4个文件夹下，类别标签名分别设置为0、1、2、3.。全部代码如下：

from keras.preprocessing.image import ImageDataGenerator
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
from keras import backend as K


# dimensions of our images.
img_width, img_height = 28, 28

train_data_dir = './train'
validation_data_dir = './test'
nb_train_samples = 2500
nb_validation_samples = 350
epochs = 150
batch_size = 20

if K.image_data_format() == 'channels_first':
    input_shape = (3, img_width, img_height)
else:
    input_shape = (img_width, img_height, 3)

# create model
model=Sequential()
model.add(Conv2D(filters=6, kernel_size=(5,5), padding='valid', input_shape=input_shape, activation='tanh'))
 
model.add(MaxPooling2D(pool_size=(2,2)))
 
model.add(Conv2D(filters=16, kernel_size=(5,5), padding='valid', activation='tanh'))
 
model.add(MaxPooling2D(pool_size=(2,2)))
 
#池化后变成16个4x4的矩阵，然后把矩阵压平变成一维的，一共256个单元。
model.add(Flatten())
 
#下面就是全连接层了
model.add(Dense(120, activation='tanh'))
 
model.add(Dense(84, activation='tanh'))
 
model.add(Dense(4, activation='softmax'))
 
model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

# this is the augmentation configuration we will use for training
train_datagen = ImageDataGenerator(
    rescale=1. / 255,
    shear_range=0.2,
    zoom_range=0.2,
    horizontal_flip=True)

# this is the augmentation configuration we will use for testing:
# only rescaling
test_datagen = ImageDataGenerator(rescale=1. / 255)

train_generator = train_datagen.flow_from_directory(
    train_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical') #多分类

validation_generator = test_datagen.flow_from_directory(
    validation_data_dir,
    target_size=(img_width, img_height),
    batch_size=batch_size,
    class_mode='categorical') #多分类

model.fit_generator(
    train_generator,
    steps_per_epoch=nb_train_samples // batch_size,
    epochs=epochs,
    validation_data=validation_generator,
    validation_steps=nb_validation_samples // batch_size)

e.实验结果
我们使用GPU训练了150次，每次放入20张图片训练，最终得出了82%左右准确率，loss最终停在0.45左右，可以基本上完成对4类玉米病害的识别与检测。结尾放一张我的其他模型跑出来的图，可以达到96%左右正确率。