為了降低農(nóng)作物病害所帶來的損失,借助計(jì)算機(jī)對(duì)農(nóng)作物病害葉片圖像進(jìn)行圖像超分辨率重建具有重要意義。針對(duì)基于農(nóng)作物病害葉片圖像的超分辨率重建問題,引入了基于深度學(xué)習(xí)的農(nóng)作物病害葉片圖像超分辨率重建方法。通過實(shí)驗(yàn)將基于深度學(xué)習(xí)的超分辨率重建方法與兩個(gè)傳統(tǒng)方法 Bicubic和ScSR做了對(duì)比,實(shí)驗(yàn)結(jié)果表明,兩個(gè)傳統(tǒng)方法的PSNR值均未超過15,且SSIM值均未超過0.6。而基于深度學(xué)習(xí)的網(wǎng)絡(luò)模型LapSRN、DSRNLP和SERS所得出的PSNR值均接近30,SSIM值均超過了0.6,相比傳統(tǒng)方法,性能得到明顯提升。 

【文章來源】：黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào). 2020,32(02)

【文章頁數(shù)】：9 頁

【部分圖文】：

LapSRN結(jié)構(gòu)圖

圖2所示是DSRNLP模型架構(gòu)，該模型采用局部殘差學(xué)習(xí)和全局殘差學(xué)習(xí)相結(jié)合的方法。在每一模塊中，DSRNLP按照殘余模塊的設(shè)計(jì)，疊加兩個(gè)卷積層和一個(gè)激發(fā)層，另外增加了跳躍連接，形成局部殘差學(xué)習(xí)。全局殘差學(xué)習(xí)主要用于圖像重構(gòu)。DSRNLP建立了一個(gè)具有緊密連接結(jié)構(gòu)的模型。低水平卷積特征傳遞到上層并與之連接，疊加信道，充當(dāng)信號(hào)增益。在實(shí)驗(yàn)中，DSRNLP還使用了一個(gè)1×1卷積層來構(gòu)造過渡層，該過渡層將附加的多通道特征映射返回指定的通道數(shù)，然后輸出到反卷積模塊進(jìn)行上采樣。實(shí)驗(yàn)中使用的模型包含8個(gè)單元，每個(gè)單元含有2個(gè)遞歸模塊。網(wǎng)絡(luò)結(jié)構(gòu)中的激活函數(shù)使用LeakyReLU。與傳統(tǒng)的Sigmoid算法相比，該算法能有效地防止梯度傳輸中的梯度消失現(xiàn)象，有利于深層疊加卷積網(wǎng)絡(luò)的訓(xùn)練。圖3 SERS結(jié)構(gòu)圖

圖2 DSRNLP結(jié)構(gòu)圖在早期的研究中，超分辨率尺度通常是固定的，如果需要多次放大，則需要對(duì)多個(gè)模型進(jìn)行訓(xùn)練。為了使同一個(gè)網(wǎng)絡(luò)能夠同時(shí)訓(xùn)練，包括多次訓(xùn)練，DSRNLP使用了拉普拉斯金字塔結(jié)構(gòu)（Laplacian Pyramid），如圖4所示。

【參考文獻(xiàn)】：
期刊論文
[1]一種用于農(nóng)作物葉部病害圖像識(shí)別的雙權(quán)重協(xié)同表示分類方法[J]. 杜海順,蔣曼曼,王娟,王勝.  計(jì)算機(jī)科學(xué). 2017(10)
[2]基于深度學(xué)習(xí)的圖像超分辨率復(fù)原研究進(jìn)展[J]. 孫旭,李曉光,李嘉鋒,卓力.  自動(dòng)化學(xué)報(bào). 2017(05)
[3]農(nóng)作物病蟲害預(yù)報(bào)方法研究綜述[J]. 馬寧,孟志軍,王培,梁勇.  黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào). 2016(01)
[4]水稻稻瘟病圖像識(shí)別預(yù)處理方法研究[J]. 路陽,邵慶,張楠,許善祥,劉德福.  黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào). 2011(04)
[5]基于機(jī)器視覺的農(nóng)田作物識(shí)別算法的研究[J]. 袁忠興,譚峰,尚廷義.  黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào). 2008(06)

碩士論文
[1]稀疏表示框架下的農(nóng)作物病害圖像識(shí)別方法研究[D]. 蔣曼曼.河南大學(xué) 2017
[2]基于多分類器選擇集成的農(nóng)作物葉部病害識(shí)別研究[D]. 陳紅波.合肥工業(yè)大學(xué) 2015



本文編號(hào)：3455152