2019-08-04

基于病叶图像处理技术的植物病害识别是一个具有挑战性的研究课题。

病态叶片图像的复杂性。深入学习模式在植物病害鉴定方面具有广阔的应用前景。

基于叶图像,Alexnet就是其中之一。针对该系统参数过多的问题

Alexnet模型和单特征尺度,一个全局池扩张卷积神经网络(GPDCNN)是

本文提出了将扩张卷积与全局汇集相结合的植物病害识别方法。

与经典卷积神经网络(CNN)和Alexnet模型相比,gpdcnn有三种

改进措施:(1)在不增加计算复杂度的情况下,通过用全局池替换完全连接的层,增加卷积接收场,同时不丢失判别形式。

层;(2)采用扩张卷积层在不增加空间分辨率的情况下恢复空间分辨率。

训练参数的数目;(3)GPDCNN还集成了扩展卷积和全局池的优点。

对6种常见黄瓜叶病数据集的实验结果表明,所提出的模型

能有效识别黄瓜病害。
1。介绍

植物病害造成的重大经济损失

农业生产。及时发现和识别植物病害

是治疗和控制它们的关键。各种各样的方法

用于植物病害的检测和鉴定。Martinelli等人

(2015)描述了基于核酸和蛋白质分析的现代方法,并回顾了目前在

发展。Fang和Ramasamy(2015)回顾了目前植物疾病中使用的直接和间接疾病识别方法。

检测,如酶联免疫吸附试验,免疫-

荧光、荧光原位杂交、荧光成像

以及高光谱技术。他们还提供了一个全面的

基于酶、抗体、DNA/RNA和噬菌体等高选择性生物识别元件的生物传感器综述

早期植物病害鉴定的新工具。尽管这些

方法是有效的,很难实现

农民。基于叶病变图像的植物病害识别是一种

计算机视觉、图像处理和

精准农业,精准、快速、高效,疾病诊断。许多经典的植物病害识别方法

重点研究病态叶片图像的特征提取。古尔哈尼

Gurgar(2011)提出了一种棉花叶病识别方法。

在该方法中,提取了叶片图像的各种特征。

实际感染图像的颜色和反向传播神经网络

(bpnn)用于识别彩色病叶图像。Bashish等人

(2011)提出了一种叶病检测分类方法。

基于k均值分割和神经网络

分类。实验结果验证了基于神经网络的检测模型在识别中的有效性。

叶病,而K-均值聚类技术提供了有效的

结果分割RGB图像。Wang等人(2012)提出了

植物病害识别方法,其中21种颜色特征,4种形状

从两种小麦中提取特征和25个纹理特征。

和葡萄病叶图像,分别和主要成分

分析(PCA)用于减小提取的尺寸。

特征数据和几个神经网络分类器被用来识别

小麦和葡萄的病害结果显示这些神经细胞

基于网络的植物病叶图像识别

在PCA上。图像处理是检测和诊断植物的最佳方法。

叶病。Garcia(2013)对数字图像进行了调查。

检测、定量和分类设备的处理技术.
可见光谱中的病叶数字图像。这篇论文很有用

对研究蔬菜病理学和模式识别的研究人员,提供了一个全面的和可访问的概述

重要研究领域。
Khairnar和Dagade(2014)回顾了很多

植物病害检测与诊断方法,介绍了几种不同的特征提取技术,从中提取各种特征。

植物病叶图像,
如彩色直方图、尺度不变性

特征变换(SIFT)、GABOR滤波器、灰度共生矩阵

(CCM)、Canny和Sobel边缘探测器,然后建议

不同的分
类分类器,如人工神经网络

(ann)、支持向量机(svm)、bpnn、径向基函数

神经网络(RBFnn)、概率神经网络(PNn)。秦

等。
(2016)调查了

四种苜蓿叶病的模式识别与防治

图像处理算法,其中一个或多个典型病变的子图像是通过从每个采集的

数字疾病图像,
然后使用12个

损伤分割算法包括k均值聚类、k中值

聚类、模糊C均值聚类、监督分类

方法包括线性判别分析(LDA)、朴素贝叶斯算法、
逻辑回归分析、支持向量机和回归树。很多

进行了对比实验,验证了该研究的可行性。

为苜蓿叶病变的图像分割和识别提供了一种可行的
解决方案。多维度约简

稀疏表示算法已在植物病害中得到应用。

识别域(Li等人,2019;Zhao等人,2012),但是识别

结果不理想,由于
复杂的病态植物叶片图像。

上述传统方法的一个主要步骤是特征提取

和选择。然而,很难提取和选择最佳的

病叶图像的特征用于疾病识别


叶图像通常非常复杂和不规则,如

图1。此外,植物病害叶片明显表现出多种

形状、形状、颜色等,不容易提取出最佳的鲁棒性

多种植物病
害叶片的高分辨率特征。

因此,这些传统方法不能保证

植物叶疾病。

近年来卷积神经网络及其应用

改进后的模型在图像识别和分类方面获
得了显著关注(Zhao等人,2018年;McCann等人,2017年;Kamilaris

以及Prenafeta Bold_,2018)。与传统方法不同,

CNN可以直
接从原文中学习高级的健壮特性

而不是手动提取特定功能。一直以来

广泛应用于各种图像分类,取得了令人印象深刻的效果

结果
(al-saffar等人,2018年;Rawat和Wang,2017年)。植物种内

以及植物病害识别,证明CNN可以提供

性能优于传统的特征提取方法

(Dyrmann等人,2016年;Mohanty等人,2016年)。Sladojevic等人(2016)

提出了一种基于深度CNN的植物叶病识别方法

(DCNN)模型,并全面描述了工厂所需的所有必要步骤。

疾病识别。
. 该方法能有效识别13种不同的

能够区分植物叶片和

他们的周围环境。Fuentes等人(2017)深造

番茄病虫害检测方法。他们考虑了三个

探测器的主要系列:即基于区域的全卷积网络(R-FCN)、基于区域的更快CNN(更快的R-CNN)和单镜头

多盒探测器,并将这些元架构

“深度功能提取器”,如VGG网络和剩余网络

最后提出了一种局部和全局类注释和数据扩充的方法,以提高精度和减少

培训期间的误报
数量。Liu等人(2018)提议

基于

DCNN四种常见苹果叶病的试验结果

数据集表明,DCNN可以为工厂提供更好的解决方案。

疾病识别精度
高,收敛速度快。

在传统的CNN和DCNN中,所有全连接层的参数比几乎占整个网络的80%,这将增加

培训和测试时间,对计算机的需求
量很大

记忆。参数过多可能导致过拟合问题。

Hinton等人(2012)在全连接层设置辍学,有效减少参数数量,避免过拟合,使

模型更为稳
健,但辍学参数的优化依赖于人的经验。通常采取一些步骤来改进

CNN和DCNN模型的识别性能及步骤

可以通过池操作降低计算复杂性,

增加接收区域并将图像扩展到原始图像

通过反褶积确定尺寸。然而,一些判别信息可能

丢失,无法恢复小物体的信息

重建。在CNN中,为
了加强特征图和类别之间的关系,通常使用全局池来取代传统的完全连接层,自然避免过度拟合。

在这一层,因为在

全球汇集
(Liu等人,2017年)。扩张卷积可以避免聚集

操作,扩大接收场,实现良好分割

以及认可结果(Kudo和Aoki,2017年;Renton等人,
2018年)。

全卷积网络(FCN)已显示出令人信服的质量和

图像分类效率。每个输出像素都是一个分类器

对应于接收场,因此网络可以

基于类别语义分割的训练像素到像素

注释。它可以保留图像的内部数据结构

不降低图像分辨率,也不增加

参数数量或计算量
(Khan等人,

2018)。

提出了多种多尺度特征提取方法。

将原始图像的不同重新缩放版本的金字塔用作

输入到改进的卷积神经网络。
但是这些方法

由于数量巨大,需要极高的计算成本

输入参数。当前基于CNN的植物病叶图像

分类方法还包括选择的多尺度深度特征

在深
卷积神经网络中,来自不同层次的池和子采样,在原始图像中的接收场
可以扩展以更好地覆盖全局特性。但是,这些

方法导致分辨率降低,细节丢失,以及

图像中的局部特征。受到当前植物CNN疾病的启发

我们希望找到一个更好的方法,结合多分辨率图像和多尺度特征描述符的优点,提取图像中的全局和局部信息。

不会失去决心。CNN能够
自动、层次地提取模式识别的潜在特征。它是一个非常

一种实用且
可扩展的方法来解决

各种图像分类任务。CNN及其变种已应用于植物病害的识别,取得了良好的效果。然而,CNN及其修改后的模型可能
没有效率

因为有大量的参数需要训练。

全球汇集深度CNN(gpdcnn)可以自动学习功能

从病叶图像进行疾病识别。与…相比

基于深度CNN
(DCNN)的作物疾病识别方法,

GPDCNN可以克服长时间训练的问题

网络的大量参数。最近的研究表明

扩张卷积在图像分类中具有良好的
分类性能。

以及机器翻译(Zhao等人,2018年;Al-Saffar等人,2018年;Liu

等,2017年)。传统的神经网络应用池或卷积

在降低特征地
图分辨率和

扩展接受域。扩张卷积支持指数

在不损失特征图分辨率的情况下扩展接收场

因为它用一个扩张因子而不是卷积来应用卷积

特征图
分辨率降低后(Kudo和Aoki,2017年;

Renton等人,2018年)。

综合了扩展卷积和全局池的优点,

我们构建了一个新的用于黄瓜病害识
别的全局池扩张卷积神经网络(gpdcnn),包括两个主要的

阶段:全球汇集CNN作为二维特征提取的前端

以及一个扩容的CNN,通过扩
容的内核为后端提供更大的

接收字段和替换池操作。与

现有的Alexnet模型gpdcnn有三个改进:(1)通过增加第一卷积层的接收场

扩张卷
积;(2)全局替换全连通层

汇聚层减少网络参数;(3)通过多尺度特征融合提高特征的多样性。

本文的主要贡献概括如下:

(1)在Alexnet模型中,卷积核被扩张替换。

卷积,可以扩大局部接收场,提高卷积层的特征提取能力。

(2)使用全局池层可以有效地减

并在一定程度上避免过拟合。

(3)利用多尺度卷积核提取输入图像的多尺度特征。在融合了这些特征之后,

提高了模型的识别精度和鲁
棒性。

本文的其余部分组织如下。第二节介绍

扩展卷积和全局池。在第3节中,详细描述了gpdcnn。第四节分析实验结果

采用基
于gpdcnn的黄瓜叶病识别方法。

最后,本文在第5节中进行了总结。

2。相关工程

2.1。扩张卷积

在经典的CNN中,池层被广泛地用于保持
不变性和避免过度拟合,但是它们显著地减少了空间

输入图像的分辨率,从而使提取的特征图的空间信息丢失。尽管反褶积层可以

减轻信息
损失,额外的复杂性可能不会

适用于所有情况。扩张卷积可以恢复空间
在计算通常的卷积之前,通过扩大滤波器的分辨率。

卷积滤波器的大小被扩展,空位置

完全填充0,获得

卷积核表示原卷积核。膨胀的

卷积层
已被验证在图像分割任务中有效(Kudo和Aoki,2017;Khan等人,2018)。它是一个很好的

池层将池和卷积运算符替换为

稀疏的谷粒。
二维展开卷积层定义如下:

=+×+×∑∑

=

YM N XM R I N R JWI J(,)(,)(,)

IM JN

1 1(1)

其中Ym n(,)是输入xmn(,)
的扩张卷积的输出,w(,i j)是尺寸为m×n的滤波器,r是扩张率。如果r=1,则

扩张卷积退化为正规卷积。

在扩张卷积中,
具有sizek×kis的小尺寸的核以扩张的步幅r扩展到kk r+−(1)(1)。因此,它允许

多尺度语境信息的灵活积累

保持相同的分辨率。
在具有大小的普通卷积层中

3×3,其接收场为3×3,而在尺寸为的扩张卷积中

3×3,R=2时接收场为7×7,R=3时接收场为15×15。

一般来说,当r i=那

也就是说,系统膨胀满足

无分辨率或覆盖范围损失的接收场(Kudo和Aoki,

2017)。

2.2。全局池

CNN将卷积层作为
特征抽取器进行抽取

高级功能图,并将这些功能图输入到

连接层来拉伸一个长的特征向量,然后送入

SoftMax分类器。缺点是全连接层

参数
太多,降低了训练速度,容易

导致过拟合。全局池层用于替换

功能图顶部CNN中完全连接的层。在全球

池层,最后一个卷积层的每个提取
特征图

生成一个特征点,并将所有点构造为

矢量,然后将矢量直接输入到SoftMax层中

分类任务的对应类别。一个优势

全连接层上的全局
池层是指提取的特征图和类别之间的对应关系是

强制执行。另一个优点是没有参数可优化

在全局池层中,因此自然可以避免过度拟合。

层。
此外,全球汇集总结了空间信息,

因此,构造的特征向量对空间平移的鲁棒性更强。

输入图像。

假设在最后一个卷积中有10个6×6的特征
映射

层。全局平均(或最大)池用于计算平均值

(或最多)10个功能图中的每一个,因此10个功能图将

输出10个特征点。我们将这些数据
点连接到

1×10特征向量,输入SoftMax进行图像分类。

在植物叶片疾病识别中,使用全球平均池(GAP)是

比完全连接的操作员更好。
GAP可以实现尺寸缩减和参数缩减,增强泛化能力

能力。它可以克服过度拟合而不优化辍学。

参数,因为在

间隙层。

让xij

k是最后一个转换
层中尺寸为m×n的k次特征图,间隙如下:

=∑∑

=−=−Y mn x k 1 im jn

iJ

K

差距

01 01

(2)

其中YK

间隙是间隙层的输出。

因此,对于给定
的C类,对SoftMax分类器SC的输入是

你可能感兴趣的:(2019-08-04)