實(shí)現(xiàn)對(duì)復(fù)雜環(huán)境下西蘭花葉片的高精度檢測(cè),對(duì)西蘭花病蟲(chóng)害的監(jiān)測(cè)和防治具有重要意義。在田間復(fù)雜環(huán)境下葉片存在重疊或遮擋,增加了數(shù)據(jù)的獲取成本,制約深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)在田間復(fù)雜環(huán)境葉片檢測(cè)上的應(yīng)用。為此,提出基于改進(jìn)SSD網(wǎng)絡(luò)的西蘭花葉片檢測(cè)方法。通過(guò)特征輔助學(xué)習(xí)法更改訓(xùn)練集的組成,使SSD網(wǎng)絡(luò)學(xué)習(xí)到較為完整的葉片邊緣特征和葉片遮擋特征,采用數(shù)據(jù)增強(qiáng)和修改激活函數(shù)的方式構(gòu)建模型。測(cè)試結(jié)果,單獨(dú)葉片和植株葉片平均準(zhǔn)確率為99.8%和89.9%,平均IOU為91.0%和84.2%,總體平均IOU和平均準(zhǔn)確率分別為87.6%、94.9%。結(jié)果表明,使用小數(shù)據(jù)集進(jìn)行西蘭花葉片目標(biāo)檢測(cè)研究是可行的,可為農(nóng)作物葉片檢測(cè)研究提供參考。 

【文章來(lái)源】：中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2020,41(04)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

數(shù)據(jù)原圖

本文采用如圖2所示的改進(jìn)SSD目標(biāo)檢測(cè)網(wǎng)絡(luò),該網(wǎng)絡(luò)的輸入數(shù)據(jù)為西蘭花單獨(dú)葉片和植株葉片數(shù)據(jù),在模型訓(xùn)練前,對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)處理,并對(duì)所有數(shù)據(jù)縮小到模型規(guī)定尺度,同時(shí)調(diào)節(jié)SSD網(wǎng)絡(luò)中的部分超參數(shù)。改進(jìn)后的SSD網(wǎng)絡(luò)數(shù)據(jù)增強(qiáng)方法增加了Random rotate和Random expand,卷積層有19層,包括13層VGG16的基礎(chǔ)卷積層、2個(gè)全卷積層和4個(gè)多尺度特征提出卷積層,其中VGG16卷積層采用SAME卷積方式,卷積核大小為3×3dpi,輸出卷積核數(shù)目為512,其他卷積層使用VALID卷積方式,Conv6、 Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2的卷積核數(shù)目分別為1 024、1 024、512、256、256、128,池化方式選用最大池化,同時(shí)加入L2正則化防止模型過(guò)擬合。在SSD網(wǎng)絡(luò)中使用隨機(jī)梯度下降化算法(Stochastic Gradient Descent,SGD)[14]作為優(yōu)化算法,SGD每次迭代更新?lián)p失,不會(huì)有冗余的現(xiàn)象,因此訓(xùn)練速度快,其算法

訓(xùn)練用數(shù)據(jù)按照實(shí)驗(yàn)要求及目的分為三種訓(xùn)練集,分別為西蘭花單獨(dú)葉片訓(xùn)練集、植株葉片訓(xùn)練集、單獨(dú)葉片和植株葉片混合訓(xùn)練集,其中單獨(dú)葉片訓(xùn)練集和植株葉片訓(xùn)練集為200張單一數(shù)據(jù),混合訓(xùn)練集單獨(dú)葉片和植株葉片各100張數(shù)據(jù)。單獨(dú)葉片和植株葉片分別選取200張數(shù)據(jù)作為測(cè)試集。模型檢測(cè)效果評(píng)判主要以對(duì)不同類(lèi)型葉片檢測(cè)平均準(zhǔn)確率和平均IOU為標(biāo)準(zhǔn),同時(shí)總體平均IOU和總體平均準(zhǔn)確率對(duì)模型輔助分析。模型檢測(cè)效果展示如圖3所示,其中紅色框?yàn)楦倪M(jìn)SSD網(wǎng)絡(luò)對(duì)目標(biāo)的位置預(yù)測(cè)框,紅框的左上角是對(duì)檢測(cè)目標(biāo)的分類(lèi)和該類(lèi)的準(zhǔn)確度。通過(guò)不同模型對(duì)測(cè)試集測(cè)試結(jié)果統(tǒng)計(jì)得表1所示。表1 目標(biāo)檢測(cè)模型對(duì)比Tab. 1 Comparison of target detection models 模型 激活函數(shù)類(lèi)型 檢測(cè)類(lèi)型 總體平均IOU 總體平均準(zhǔn)確率 單獨(dú)葉片 植株葉片 平均IOU 平均準(zhǔn)確率 平均IOU 平均準(zhǔn)確率 1 植株 Re LU 0.704 0.762 0.743 0.785 0.724 0.774 2 植株 Se LU 0.870 0.904 0.843 0.898 0.857 0.901 3 單葉 Re LU 0.919 0.997 0.749 0.620 0.834 0.809 4 單葉 Se LU 0.921 0.998 0.782 0.645 0.852 0.822 5 混合 Re LU 0.713 0.862 0.744 0.794 0.729 0.828 6 混合 Se LU 0.903 0.989 0.839 0.898 0.871 0.944 7 混合+增強(qiáng)補(bǔ)充 Re LU 0.909 0.997 0.842 0.898 0.876 0.948 8 混合+增強(qiáng)補(bǔ)充 Se LU 0.910 0.998 0.842 0.899 0.876 0.949 注:表中模型1、2的植株表示單一的植株葉片數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),而模型3、4的單葉即表示單一的單獨(dú)葉片數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),模型5、6表示植株和單葉混合數(shù)據(jù)作為訓(xùn)練數(shù)據(jù),模型7、8表示植株和單葉混合數(shù)據(jù)為訓(xùn)練數(shù)據(jù),同時(shí)使用數(shù)據(jù)增強(qiáng)的補(bǔ)充方法。

【參考文獻(xiàn)】：
期刊論文
[1]基于圖像融合特征的番茄葉部病害的識(shí)別[J]. 郭小清,范濤杰,舒欣.  湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]葉片直接PCR法在玉米轉(zhuǎn)基因快速檢測(cè)中的應(yīng)用[J]. 趙冰兵,任雯,周秒依,李韓帥,劉亞,白琪林.  山西農(nóng)業(yè)科學(xué). 2019(04)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的臍橙品質(zhì)分類(lèi)研究[J]. 朱冬梅,王敏.  贛南師范大學(xué)學(xué)報(bào). 2018(06)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)[J]. 馬浚誠(chéng),杜克明,鄭飛翔,張領(lǐng)先,孫忠富.  農(nóng)業(yè)工程學(xué)報(bào). 2018(12)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)提取多尺度分層特征識(shí)別玉米雜草[J]. 王璨,武新慧,李志偉.  農(nóng)業(yè)工程學(xué)報(bào). 2018(05)
[6]改進(jìn)的ELU卷積神經(jīng)網(wǎng)絡(luò)在SAR圖像艦船檢測(cè)中的應(yīng)用[J]. 白玉,姜東民,裴加軍,張寧,白郁.  測(cè)繪通報(bào). 2018(01)
[7]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學(xué)報(bào). 2017(19)
[8]梨屬植物葉片色澤多樣性分析[J]. 馬春暉,李鼎立,王然.  植物遺傳資源學(xué)報(bào). 2014(06)
[9]復(fù)雜背景下的大豆葉片識(shí)別[J]. 湯曉東,劉滿華,趙輝,陶衛(wèi).  電子測(cè)量與儀器學(xué)報(bào). 2010(04)



本文編號(hào)：3063125