本文選題：病害　切入點(diǎn)：模型　出處：《農(nóng)業(yè)工程學(xué)報》2017年20期 　論文類型：期刊論文

【摘要】：穗瘟是一種嚴(yán)重影響水稻產(chǎn)量及品質(zhì)的多發(fā)病害,有效地檢測穗瘟是水稻病害防治的重要任務(wù)。該文提出基于深度卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet模型的水稻穗瘟病檢測方法,該方法利用Inception基本模塊重復(fù)堆疊構(gòu)建主體網(wǎng)絡(luò)。Inception模塊利用多尺度卷積核提取不同尺度穗瘟病斑分布式特征并進(jìn)行級聯(lián)融合。GoogLeNet利用其結(jié)構(gòu)深度和寬度,學(xué)習(xí)復(fù)雜噪聲高光譜圖像的隱高維特征表達(dá),并在統(tǒng)一框架中訓(xùn)練Softmax分類器,實(shí)現(xiàn)穗瘟病害預(yù)測建模。為驗(yàn)證該研究所提方法的有效性,以1 467株田間采集的穗株為試驗(yàn)對象,采用便攜式戶外高光譜成像儀Gaia Field-F-V10在自然光照條件下拍攝穗株高光譜圖像,并由植保專家根據(jù)穗瘟病害描述確定其穗瘟標(biāo)簽。所有高光譜圖像-標(biāo)簽數(shù)據(jù)對構(gòu)成GoogLeNet模型訓(xùn)練和驗(yàn)證的原始數(shù)據(jù)集。該文采用隨機(jī)梯度下降算法(SGD,stochastic gradient descent)優(yōu)化GoogLeNet模型,提出隨機(jī)扔棄1個波段圖像和隨機(jī)平移平均譜圖像亮度的2種數(shù)據(jù)增強(qiáng)策略,增加訓(xùn)練數(shù)據(jù)規(guī)模,防止模型過擬合并改善其泛化性能。經(jīng)測試,驗(yàn)證集上穗瘟病害預(yù)測最高準(zhǔn)確率為92.0%。試驗(yàn)結(jié)果表明,利用GoogLeNet建立的深度卷積模型,可以很好地實(shí)現(xiàn)水稻穗瘟病害的精準(zhǔn)檢測,克服室外自然光條件下利用光譜圖像進(jìn)行病害預(yù)測面臨的困難,將該類研究往實(shí)際生產(chǎn)應(yīng)用推進(jìn)一大步。
[Abstract]:Ear blast is one of the most frequent diseases affecting the yield and quality of rice. The effective detection of ear blast is an important task of rice disease control. A method of rice ear blast detection based on deep convolution neural network (GoogLeNet) model is proposed in this paper. In this method, the main body network .Inception module is constructed by repeated stacking of Inception basic modules. The multi-scale convolution kernel is used to extract the distributed features of ear blast disease in different scales, and cascaded fusion. Google LeNet uses its structure depth and width. In order to verify the effectiveness of the proposed method, we studied the hidden high dimension feature expression of complex noise hyperspectral images and trained Softmax classifier in a unified framework to predict and model panicle blast disease. In order to verify the effectiveness of the proposed method, 1 467 panicle plants collected in the field were selected as experimental objects. Gaia Field-F-V10, a portable outdoor hyperspectral imager, was used to photograph the hyperspectral images of panicle plants under natural illumination. According to the description of panicle blast disease, plant protection experts determine the panicle blast label. All hyperspectral image-label data pairs constitute the original data set for training and verification of GoogLeNet model. In this paper, the stochastic gradient descent algorithm is used to optimize the GoogLeNet model. Two kinds of data enhancement strategies are proposed to increase the size of training data, to prevent the model from overfitting and to improve its generalization performance. The experimental results show that the depth convolution model established by GoogLeNet can be used to detect rice panicle blast disease accurately. In order to overcome the difficulties of disease prediction by using spectral images under outdoor natural light conditions, the study of this kind of disease can be advanced to practical application.
【作者單位】： 華南理工大學(xué)電子與信息學(xué)院;華南農(nóng)業(yè)大學(xué)工程學(xué)院;廣東省農(nóng)業(yè)科學(xué)院植物保護(hù)研究所;
【基金】：廣東省科技計劃公益研究與能力建設(shè)專項(xiàng)(2014A020208112) 現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng)資金資助(CASRS-01-33)資助
【分類號】：S435.111.41;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 潘勛,王慧心;河北省濱海地區(qū)水稻穗瘟的發(fā)生和防治[J];植物保護(hù);1986年05期

2 龔紀(jì)元;合理用藥防治稻穗瘟[J];湖南農(nóng)業(yè);1998年06期

3 楊永高;麻江縣水稻穗瘟流行原因分析[J];耕作與栽培;2000年03期

4 李國剛;吳敏;;桂林市2005年早稻部分品種穗瘟發(fā)生嚴(yán)重[J];廣西植保;2006年02期

5 郭瑞鴿;杜筱玲;劉文英;胡菊芳;;江西早稻穗瘟發(fā)生的氣象條件監(jiān)測預(yù)警方法[J];氣象與減災(zāi)研究;2008年03期

6 徐海蓮;肖筱成;余小平;徐善忠;張茂文;葉賢壽;郭錦彪;黃毓;;2009年吉安市早稻穗瘟發(fā)生情況調(diào)查分析[J];江西植保;2009年03期

7 余露;;廣西部分稻區(qū)早稻后期穗瘟偏重發(fā)生[J];農(nóng)藥市場信息;2012年18期

8 邵德溶;杭州市晚稻稻穗瘟流行因素分析[J];植物保護(hù);1982年02期

9 徐建雄;;低空孢子監(jiān)測在連晚穗瘟測報上的應(yīng)用[J];病蟲測報;1990年04期

10 濮景春;;1992年晚稻穗瘟病的發(fā)生預(yù)測分析[J];植保技術(shù)與推廣;1993年04期

相關(guān)會議論文 前1條

1 顧慶紅;劉萍;吳小兵;袁小華;沙錦文;;稻穗瘟發(fā)生規(guī)律及稻無瘟的應(yīng)用[A];植物保護(hù)與糧食安全——第二十屆全國植保信息交流暨農(nóng)藥械交流會論文集[C];2004年

相關(guān)重要報紙文章 前6條

1 河北省農(nóng)林科學(xué)院濱海農(nóng)業(yè)研究所 孟令啟;冀東稻區(qū)穗瘟病的預(yù)測及防治[N];河北科技報;2006年

2 ;積極組織大面積穗瘟防治工作[N];云南科技報;2005年

3 文山州植保站 楊成富;水稻穗瘟偏重發(fā)生 當(dāng)務(wù)之急狠抓防治[N];云南科技報;2001年

4 昆明市植保植檢站;昆明八月糧作病蟲害預(yù)測及防治[N];云南科技報;2005年

5 江西省植保站;江西早稻穗期病蟲將偏重發(fā)生[N];農(nóng)資導(dǎo)報;2006年

6 江西植保植檢站;江西早稻穗期病蟲害偏重發(fā)生[N];農(nóng)資導(dǎo)報;2008年

相關(guān)博士學(xué)位論文 前1條

1 熊雪梅;參數(shù)化模糊遺傳神經(jīng)網(wǎng)絡(luò)及在植物病害預(yù)測的應(yīng)用[D];南京農(nóng)業(yè)大學(xué);2004年

相關(guān)碩士學(xué)位論文 前4條

1 米雅婷;基于GA-BP神經(jīng)網(wǎng)絡(luò)的溫室番茄病害診斷研究[D];東北林業(yè)大學(xué);2016年

2 楊書顯;基于PSO算法的氧樂果合成過程建模與控制研究[D];鄭州大學(xué);2010年

3 饒丹丹;一種基于BP神經(jīng)網(wǎng)絡(luò)對水稻害蟲預(yù)測的研究[D];武漢輕工大學(xué);2013年

4 王曉娟;基于模糊控制與RBF神經(jīng)網(wǎng)絡(luò)的桃病蟲害發(fā)生預(yù)測研究[D];河北農(nóng)業(yè)大學(xué);2011年

，

本文編號：1567752