黃瓜病害葉片中的病斑區(qū)域分割是病害檢測(cè)與類型識(shí)別的關(guān)鍵步驟,分割效果將直接影響病害檢測(cè)和識(shí)別的精度。針對(duì)傳統(tǒng)方法對(duì)于黃瓜病害葉片圖像分割精度低和泛化能力弱等問(wèn)題,提出一種基于多尺度融合卷積神經(jīng)網(wǎng)絡(luò)（Multi-ScaleFusionConvolutionalNeuralNetworks,MSF-CNNs）的黃瓜病害葉片分割方法。MSF-CNNs由編碼網(wǎng)絡(luò)（EncoderNetworks,ENs）和解碼網(wǎng)絡(luò)（DecoderNetworks,DNs）兩部分組成,其中ENs為一個(gè)多尺度卷積神經(jīng)網(wǎng)絡(luò)組成,用于提取病害葉片圖像的多尺度信息;DNs基于九點(diǎn)雙線性插值算法,用于恢復(fù)輸入圖像的尺寸和分辨率。在MSF-CNNs模型訓(xùn)練的過(guò)程中,使用一種漸進(jìn)微調(diào)的遷移學(xué)習(xí)方法加速模型的訓(xùn)練,提高模型的分割精度。在復(fù)雜背景下的作物病害葉片圖像數(shù)據(jù)庫(kù)上進(jìn)行病害葉片圖像分割試驗(yàn),并與現(xiàn)有的分割方法全卷積網(wǎng)絡(luò)（FullyConvolutional Networks,FCNs）、Seg Net、U-Net、Dense Net進(jìn)行比較。結(jié)果表明,該MSF-CNNs能夠滿足復(fù)雜環(huán)境下的黃瓜病害葉片圖像分割需求,像素分類... 

【文章來(lái)源】：農(nóng)業(yè)工程學(xué)報(bào). 2020,36(16)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

不同環(huán)境下黃瓜病害葉片圖像d.葉片殘缺d.Incompleteleafe.葉片黏連e.Leafadhesionf.光照復(fù)雜f.Complexlighting

構(gòu)。由于作物病害葉片的病斑區(qū)域尺寸不一致，因此在MSF-CNNs中引入多尺度卷積核結(jié)構(gòu)，該結(jié)構(gòu)是通過(guò)在網(wǎng)絡(luò)卷積層中使用多個(gè)尺度不同的卷積核對(duì)輸入圖像進(jìn)行多尺度特征提取，然后通過(guò)特征融合層對(duì)多尺度特征圖進(jìn)行空間融合。多尺度卷積層包括尺度不同的卷積核與特征平面組成多尺度特征信息，當(dāng)?shù)蛯犹卣鲌D的信息輸入到高層時(shí)，在高層中分別使用不同尺寸的卷積核對(duì)低層特征圖進(jìn)行卷積操作，同時(shí)為了確保多尺度卷積核的輸入與輸出之間的空間特征信息不變，特征圖則依據(jù)卷積核尺寸的大小進(jìn)行邊緣填補(bǔ)。多尺度卷積核結(jié)構(gòu)如圖3所示，包含了4種不同尺寸的卷積核，其尺寸大小分別為9×9、7×7、5×5和3×3的卷積核。注：Conv1、Conv2和Conv3分別為第一層、第二層和第三層的卷積操作；2×2和3×3表示池化區(qū)域大校Note:Conv1,Conv2andConv3representtheconvolutionoperationsofthreeconvolutionallayers,respectively;2×2and3×3representthesizeofthepoolingarea.圖3多尺度卷積核結(jié)構(gòu)Fig.3Multi-scaleconvolutionalkernelstructure3）批歸一化（BatchNormalization，BN）。BN是Google于2015年提出的用于深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的技巧，它不僅可以加快模型的收斂速度，而且在一定程度上緩解了訓(xùn)練過(guò)程中的過(guò)擬合問(wèn)題，從而使得訓(xùn)練深層網(wǎng)絡(luò)模型更加容易和穩(wěn)定。BN算法主要包括以下3個(gè)步驟：步驟1：計(jì)算統(tǒng)計(jì)值。計(jì)算樣本數(shù)據(jù)集歸一化所需的均值和方差。假設(shè)輸入為mdxR，其中m表示當(dāng)前批次的大小，即當(dāng)前批次的訓(xùn)練樣本數(shù)，d表示輸入特征圖的尺寸，則方差均值如式（4）所示1211()1Var()(())mkkiimkkkiiExxmxxExm

第16期張善文等：多尺度融合卷積神經(jīng)網(wǎng)絡(luò)的黃瓜病害葉片圖像分割方法153圖4基于漸進(jìn)式微調(diào)的遷移學(xué)習(xí)訓(xùn)練流程Fig.4Transferlearningtrainingprocessbasedonincrementalfine-tuning5）全新學(xué)習(xí)。全新學(xué)習(xí)是指對(duì)網(wǎng)絡(luò)模型的所有權(quán)重參數(shù)進(jìn)行重新訓(xùn)練，隨機(jī)初始化網(wǎng)絡(luò)權(quán)重參數(shù)，使用概率分布對(duì)參數(shù)賦予初值，在訓(xùn)練的過(guò)程中通過(guò)反向傳播算法對(duì)權(quán)重參數(shù)進(jìn)行優(yōu)化。盡管能夠有效減少模型的訓(xùn)練時(shí)間，提高學(xué)習(xí)能力，但沒(méi)有進(jìn)一步探討特征等級(jí)與樣本數(shù)據(jù)大小和特征相似性之間的關(guān)系。全新學(xué)習(xí)能夠克服遷移學(xué)習(xí)的不足。2試驗(yàn)結(jié)果及分析為了驗(yàn)證MSF-CNNs的有效性，將MSF-CNNs應(yīng)用于黃瓜病害葉片圖像分割，并與其他模型進(jìn)行比較。網(wǎng)絡(luò)模型訓(xùn)練與測(cè)試的軟件環(huán)境為Ubuntu16.04LTS64位操作系統(tǒng)，使用python作為編程語(yǔ)言，Tensorflow作為深度學(xué)習(xí)開(kāi)源框架。試驗(yàn)硬件環(huán)境為IntelE5-2665C2@3.20GHzCPU，64GB內(nèi)存；Nvidia1070Ti，8GB顯存。使用CUDAToolkit9.0和CUDNNV8.0作為網(wǎng)絡(luò)模型訓(xùn)練加速工具包；python版本為3.5，Tensorflow版本為1.9.0。在網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程中首先將訓(xùn)練集和測(cè)試集圖像分為多個(gè)批次（batch），綜合考慮計(jì)算機(jī)的硬件環(huán)境，本研究在試驗(yàn)過(guò)程中將批次大小設(shè)置為64，將所有訓(xùn)練集圖像在網(wǎng)絡(luò)模型中完成遍歷設(shè)置為一次迭代（epoch）。設(shè)置網(wǎng)絡(luò)模型初始學(xué)習(xí)率為0.01，正則化系數(shù)設(shè)置為0.001，隨著epoch次數(shù)的增加，學(xué)習(xí)率遵循指數(shù)衰減的原則依次減小為原來(lái)的0.05倍。使用貝葉斯函數(shù)對(duì)網(wǎng)絡(luò)模型權(quán)重參數(shù)進(jìn)行初始化，隨機(jī)生成均值為0，方差為1，遵循正態(tài)分布的權(quán)重參數(shù)。2.1MSF-CNNs訓(xùn)練過(guò)程分析作物葉部病害數(shù)據(jù)集中對(duì)全新學(xué)?

【參考文獻(xiàn)】：
期刊論文
[1]病害特征在作物病害識(shí)別中的應(yīng)用研究綜述[J]. 刁智華,袁萬(wàn)賓,刁春迎,毋媛媛.  江蘇農(nóng)業(yè)科學(xué). 2019(05)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別[J]. 劉永波,雷波,曹艷,唐江云,胡亮.  中國(guó)農(nóng)學(xué)通報(bào). 2018(36)
[3]農(nóng)作物病蟲害圖像識(shí)別技術(shù)的研究綜述[J]. 汪京京,張武,劉連忠,黃帥.  計(jì)算機(jī)工程與科學(xué). 2014(07)
[4]基于MDMP-LSM算法的黃瓜葉片病斑分割方法[J]. 江海洋,張建,袁媛,何綿濤,鄭守國(guó).  農(nóng)業(yè)工程學(xué)報(bào). 2012(21)



本文編號(hào)：3573243