農(nóng)作物病害是糧食安全的主要威脅,病害的診斷對于農(nóng)業(yè)生產(chǎn)來說至關(guān)重要。針對單一卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物病害識別上的局限性,分類準(zhǔn)確率不高的問題,采用多個卷積神經(jīng)網(wǎng)絡(luò)模型融合的方式,對10種農(nóng)作物的27種病害及其3種病害程度的農(nóng)作物葉子圖片進行病害及病害程度的細粒度識別。首先選用Resnet101、RestNext50、SE-ResNet50、SE-RestNext50這4種網(wǎng)絡(luò)模型運用遷移學(xué)習(xí)的方式,固定底層模型參數(shù),修改頂層的全連接層進行訓(xùn)練,然后采用Stacking方法將模型預(yù)測結(jié)果輸入第二層元學(xué)習(xí)器XGBoost,最后對單模型預(yù)測結(jié)果和Stacking融合后的結(jié)果進行對比。實驗結(jié)果表明,經(jīng)過模型融合后的準(zhǔn)確率能達到87.19%,具有較高的識別準(zhǔn)確率及較強的魯棒性,可以作為農(nóng)作物病害的早期診斷方式,并可以進一步研究將該方法應(yīng)用到真實的農(nóng)業(yè)生產(chǎn)中。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1卷積網(wǎng)絡(luò)結(jié)構(gòu)

文中所使用的基礎(chǔ)網(wǎng)絡(luò)模型都是深度卷積神經(jīng)網(wǎng)絡(luò),卷積神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò),包括輸入層、卷積層、池化層、全連接層、輸出層。每層是由多個二維平面(即特征映射)組成,而每個平面由多個獨立的神經(jīng)元組成,通過不同的卷積核提取圖像的局部特征,將該局部特征組合成更高層的全局特征,從而完成圖....

圖2殘差學(xué)習(xí)示意圖

圖2是殘差學(xué)習(xí)模塊的示意圖,殘差學(xué)習(xí)模塊可以作為神經(jīng)網(wǎng)絡(luò)的一部分也可作為多個部分。假設(shè)該部分卷積神經(jīng)網(wǎng)絡(luò)的輸入為x,要擬合的函數(shù)映射(即輸出)為H(x),可以定義另外一個殘差映射為F(x)=H(x)-x,則原始的函數(shù)映射H(x)可以表示為F(x)+x。He的實驗表明:優(yōu)化殘差映射....

圖3SE-ResNet結(jié)構(gòu)

為提高網(wǎng)絡(luò)的表示能力,文中引入SE[15](squeeze-and-excitation)架構(gòu)單元嵌入到現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中。SE的思想是在2017年由JieHu等人提出,網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)損失去學(xué)習(xí)特征權(quán)重,自適應(yīng)地校準(zhǔn)通道的特征響應(yīng),通過給予有效的特征更大的權(quán)重而抑制無效或者....

圖4算法流程

文中采用了Resnet101、RestNext50[20]、SE-ResNet50、SE-RestNext50這4種網(wǎng)絡(luò)來提取圖像特征,然后將其預(yù)測結(jié)果作為Stacking算法第二層元學(xué)習(xí)器XgBoost的輸入,應(yīng)用于農(nóng)作物病害識別領(lǐng)域。文中流程如圖4所示,輸入為農(nóng)作物病害圖像,....

本文編號：3975532