發(fā)布時間：2021-01-07 22:53

　　某些檢疫性植物病害,由于其傳染性強(qiáng)、傳播途徑廣、危害性大等特點(diǎn),難以獲得大量的樣本,數(shù)據(jù)存在著嚴(yán)重的不均衡性,在應(yīng)用深度學(xué)習(xí)方法對其進(jìn)行分類識別時很難取得理想的效果。本文采用深度卷積生成對抗網(wǎng)絡(luò)（DCGAN）對樣本集進(jìn)行擴(kuò)充,使得擴(kuò)充后的樣本集中正負(fù)樣本比例大致為1:1,且樣本集規(guī)模都達(dá)到萬級。利用擴(kuò)充后的樣本集進(jìn)行分類實驗,提高對小樣本植物病害的分類準(zhǔn)確率,實現(xiàn)對小樣本植物病害的自動識別與檢測。就DCGAN實驗的改進(jìn)而言,在卷積層和批量規(guī)范化（BN）層之間加入了自定義的Mute層,以解決鑒別器判別過于嚴(yán)格導(dǎo)致生成器無法學(xué)習(xí)到樣本分布的問題,并能解決使用Dropout時遇到的方差偏移問題,進(jìn)而提高生成樣本的質(zhì)量。此外,從生成樣本與原始樣本相似性的角度出發(fā),提出了一種評價生成樣本質(zhì)量的方法,并選出了生成效果較好的生成模型。在病斑樣本的識別分類實驗中,卷積神經(jīng)網(wǎng)絡(luò)80%的神經(jīng)元都集中在全連接層部分,使得網(wǎng)絡(luò)訓(xùn)練的時候速度很慢,本文從減輕網(wǎng)絡(luò)負(fù)載的角度出發(fā),去掉了一層全連接層和兩層卷積層,使網(wǎng)絡(luò)的參數(shù)減小了一個量級,提升了網(wǎng)絡(luò)訓(xùn)練的速度。在分類準(zhǔn)確率方面,引入遷移學(xué)習(xí)的方法,對分類效果進(jìn)行提... 

【文章來源】：重慶大學(xué)重慶市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

GAN結(jié)構(gòu)簡圖

重慶大學(xué)碩士學(xué)位論文3基于深度卷積生成對抗網(wǎng)絡(luò)的樣本擴(kuò)充193基于深度卷積生成對抗網(wǎng)絡(luò)的樣本擴(kuò)充深度卷積生成對抗網(wǎng)絡(luò)通過卷積的過程進(jìn)行特征提取和識別分類，并利用反卷積過程進(jìn)行圖像生成，因卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取能力，在生成圖像方面具有顯著的效果3.1深度卷積生成對抗網(wǎng)絡(luò)模型及原理介紹深度卷積生成對抗網(wǎng)絡(luò)（DeepConvolutionalGenerativeAdversarialNetworks,DCGAN）和原始生成對抗網(wǎng)絡(luò)（GANs）原理基本相同，兩者的目標(biāo)都是對生成器和鑒別器進(jìn)行迭代優(yōu)化，進(jìn)而達(dá)到平衡生成器G網(wǎng)絡(luò)的損失函數(shù)為：1∑[ln(1(()))]=1（3.1）鑒別器D網(wǎng)絡(luò)的損失函數(shù)為：1∑[ln()]+ln(1(()))=1（3.2）其中：D（x）是對真實樣本的判別概率，G（z）是生成的假樣本，D（G（z））是對生成樣本的判別概率G的目的是使得生成的圖像能夠以假亂真，即D（G（z））越大越好，引用1-D（G（z））表達(dá)損失值，因此損失值越小實驗效果越好；D的目的是使得鑒別真?zhèn)蔚哪芰υ綇?qiáng)越好，即D（G（z））應(yīng)很�。ń咏�0），而D（x）應(yīng)很大（接近于1）DCGAN只是用卷積神經(jīng)網(wǎng)絡(luò)（CNN）替換掉了GAN網(wǎng)絡(luò)結(jié)構(gòu)中的G和D，且這種替換不是隨意替換GAN與卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)合的探索很早就開始了，但都未獲得成功。2016年，基于之前的一系列探索經(jīng)驗，AlecRadford等人發(fā)現(xiàn)了一類可在分辨率更高更深的生成模型上進(jìn)行穩(wěn)定訓(xùn)練的結(jié)構(gòu)，即DCGAN模型生成器模型如下圖3.1所示：圖3.1深度卷積生成對抗網(wǎng)絡(luò)生成器模型結(jié)構(gòu)示意圖Figure3.1SchematicdiagramofDCGAN’sgeneratormodelstructure

重慶大學(xué)碩士學(xué)位論文 3 基于深度卷積生成對抗網(wǎng)絡(luò)的樣本擴(kuò)充 GAN 訓(xùn)練中存在的主要問題是初始化不良導(dǎo)致生成模型崩潰（所有生成的樣本都在一個點(diǎn)上），因此 DCGAN 引入 BN 來解決這一問題，事實證明其不但能解決初始化不良導(dǎo)致的訓(xùn)練問題，還能使梯度向更深層次的網(wǎng)絡(luò)傳播 對于 G 網(wǎng)絡(luò)，如上圖 3.1 所示，使用了四層反卷積網(wǎng)絡(luò)，其輸入是 100 維的隨機(jī)噪聲向量，然后轉(zhuǎn)化為一個4 × 4 × 1024的 feature map，再經(jīng)過 4 層反卷積輸出大小為64 × 64 × 3的 RGB 圖像。D 網(wǎng)絡(luò)是通過卷積神經(jīng)網(wǎng)絡(luò)，把輸入的圖像進(jìn)行卷積運(yùn)算（下采樣），經(jīng)過全連接層處理后送入 sigmoid 函數(shù)，進(jìn)而輸出圖像的真假概率

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識別系統(tǒng)[J]. 馬浚誠,杜克明,鄭飛翔,張領(lǐng)先,孫忠富.  農(nóng)業(yè)工程學(xué)報. 2018(12)
[2]基于Variance–SFFS的小麥葉部病害圖像識別[J]. 胡維煒,張武,劉連忠.  湖南農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2018(02)
[3]一種基于卷積神經(jīng)網(wǎng)絡(luò)的小麥病害識別方法[J]. 張航,程清,武英潔,王亞新,張承明,殷復(fù)偉.  山東農(nóng)業(yè)科學(xué). 2018(03)
[4]基于主成分-貝葉斯分類模型的除草機(jī)器人雜草識別方法（英文）[J]. 周影,房建東,趙于東.  機(jī)床與液壓. 2018(06)
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)AlexNet的驗證碼識別研究[J]. 于鵬.  通訊世界. 2018(01)
[6]基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)的冬棗病害識別方法[J]. 張善文,黃文準(zhǔn),尤著宏.  浙江農(nóng)業(yè)學(xué)報. 2017(11)
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的辣椒識別[J]. 李蓮,丁文寬.  天津理工大學(xué)學(xué)報. 2017(03)
[8]基于異步JavaScript技術(shù)的水稻病蟲害圖像網(wǎng)絡(luò)爬蟲設(shè)計[J]. 彭崧.  科技視界. 2017(07)
[9]基于剪切波變換和無人機(jī)麥田圖像的區(qū)域雜草識別方法[J]. 王海華,朱夢婷,李莉,王麗燕,趙海英,梅樹立.  農(nóng)業(yè)工程學(xué)報. 2017(S1)
[10]圖像識別處理技術(shù)在農(nóng)業(yè)工程中的應(yīng)用[J]. 周清松,唐秀忠.  現(xiàn)代電子技術(shù). 2017(04)

碩士論文
[1]面向雜草識別的K近鄰算法研究[D]. 徐辛穎.東北農(nóng)業(yè)大學(xué) 2013



本文編號：2963396