針對(duì)大多數(shù)深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）模型存在內(nèi)存占用較多、計(jì)算資源消耗大的問題,提出一種基于改進(jìn)深度殘差網(wǎng)絡(luò)（DRN）的番茄病害圖像識(shí)別方法。該網(wǎng)絡(luò)模型在傳統(tǒng)殘差神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,采用多尺度卷積代替原始網(wǎng)絡(luò)結(jié)構(gòu)中的單一尺度卷積,使得提取的特征更加豐富,并拓展了網(wǎng)絡(luò)寬度,避免因網(wǎng)絡(luò)過深引起的退化問題。為了進(jìn)一步降低模型對(duì)內(nèi)存占用的需求,用深度可分離卷積替換部分標(biāo)準(zhǔn)卷積,在不損失網(wǎng)絡(luò)性能的前提下減少模型參數(shù)。為驗(yàn)證改進(jìn)后深度殘差網(wǎng)絡(luò)模型提升番茄病害識(shí)別性能的有效性,對(duì)獲得的有限番茄病害葉片圖像數(shù)據(jù)集進(jìn)行了樣本擴(kuò)充,并基于擴(kuò)充后的數(shù)據(jù)集使用改進(jìn)模型與幾個(gè)常見深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比實(shí)驗(yàn)。結(jié)果表明,改進(jìn)后的深度殘差網(wǎng)絡(luò)模型可以很好地實(shí)現(xiàn)番茄病害的識(shí)別,平均測(cè)試識(shí)別準(zhǔn)確率達(dá)到98.58%,且訓(xùn)練后的模型僅占19.0 MB,有助于將來(lái)在低性能終端上實(shí)現(xiàn)對(duì)番茄病害的實(shí)時(shí)診斷。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用. 2020,40(S1)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

“Block”結(jié)構(gòu)

PlantVillage網(wǎng)站（www.PlantVillage.org）提供了一個(gè)可供免費(fèi)訪問的開放式數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)收集了14種植物健康和病害的可見光葉片圖像，共有50 000多張，其中包含了38種類別標(biāo)簽。從這個(gè)數(shù)據(jù)庫(kù)中，本文只提取番茄葉片的圖像，一共分為10個(gè)類別，包括9種病害和健康葉片，圖像總數(shù)為18 160張，作為本文實(shí)驗(yàn)所需的番茄病害圖片數(shù)據(jù)集。圖1和表1給出了該數(shù)據(jù)集的示例樣本以及詳細(xì)信息。1.2 數(shù)據(jù)集預(yù)處理

ResNet的核心是“殘差學(xué)習(xí)”模塊的構(gòu)建，通過快捷連接方式將網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)變?yōu)樽钚』瘹埐�，從而解決深度網(wǎng)絡(luò)中梯度無(wú)法有效傳播的問題。為了適應(yīng)不同深度的神經(jīng)網(wǎng)絡(luò)的需要，實(shí)際存在兩種殘差學(xué)習(xí)模塊。如圖2所示：（a）是普通的殘差模塊，被稱為“building block”;(b）是為更深層次網(wǎng)絡(luò)設(shè)計(jì)的殘差模塊“bottleneck building block”。普通殘差學(xué)習(xí)模塊一共為兩層，而“bottleneck”殘差模塊包含三個(gè)卷積層，兩個(gè)1*1的卷積和一個(gè)3*3的卷積。其中，兩個(gè)1*1的卷積分別起到降維和升維的作用，在很大程度上降低了參數(shù)量和計(jì)算復(fù)雜度。殘差神經(jīng)網(wǎng)絡(luò)能夠解決網(wǎng)絡(luò)過深引起的退化問題，因此可以通過構(gòu)建更深層次的網(wǎng)絡(luò)結(jié)構(gòu)使網(wǎng)絡(luò)獲得更好的性能。目前殘差神經(jīng)網(wǎng)絡(luò)在各種識(shí)別任務(wù)上表現(xiàn)優(yōu)異，能獲得較高的準(zhǔn)確率，但考慮到實(shí)際應(yīng)用中番茄病害識(shí)別的特殊性，殘差神經(jīng)網(wǎng)絡(luò)仍然有一些不足：

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 龍滿生,歐陽(yáng)春娟,劉歡,付青.  農(nóng)業(yè)工程學(xué)報(bào). 2018(18)
[2]基于葉片病斑特征的茄子褐紋病識(shí)別方法[J]. 田凱,張連寬,熊美東,黃志豪,李就好.  農(nóng)業(yè)工程學(xué)報(bào). 2016(S1)
[3]基于多分類器融合的玉米葉部病害識(shí)別[J]. 許良鳳,徐小兵,胡敏,王儒敬,謝成軍,陳紅波.  農(nóng)業(yè)工程學(xué)報(bào). 2015(14)
[4]基于圖像處理的溫室大棚中番茄的病害識(shí)別[J]. 柴洋,王向東.  自動(dòng)化技術(shù)與應(yīng)用. 2013(09)



本文編號(hào)：3470384