亚洲一区人妻,久久三级免费,国模少妇无码一区二区三区,日韩av动漫

國內(nèi)或國外 期刊或論文

您當(dāng)前的位置:發(fā)表學(xué)術(shù)論文網(wǎng)農(nóng)業(yè)論文》 基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識(shí)別與分級(jí)> 正文

基于遷移學(xué)習(xí)的GoogLeNet果園病蟲害識(shí)別與分級(jí)

所屬分類:農(nóng)業(yè)論文 閱讀次 時(shí)間:2021-11-18 10:52

本文摘要:摘要為提高果樹病蟲害危害程度分級(jí)精度進(jìn)而更好地指導(dǎo)果園病蟲害防治,采用遷移學(xué)習(xí)技術(shù)與GoogLeNet模型相結(jié)合的方法,對(duì)6種果園作物的25類病蟲害樣本進(jìn)行識(shí)別與危害程度分級(jí)研究;同時(shí),探究不同數(shù)據(jù)集大小以及不同優(yōu)化算法對(duì)模型性能的影響;基于MATLAB平臺(tái)設(shè)計(jì)了一款

  摘要為提高果樹病蟲害危害程度分級(jí)精度進(jìn)而更好地指導(dǎo)果園病蟲害防治,采用遷移學(xué)習(xí)技術(shù)與GoogLeNet模型相結(jié)合的方法,對(duì)6種果園作物的25類病蟲害樣本進(jìn)行識(shí)別與危害程度分級(jí)研究;同時(shí),探究不同數(shù)據(jù)集大小以及不同優(yōu)化算法對(duì)模型性能的影響;基于MATLAB平臺(tái)設(shè)計(jì)了一款可視化的病蟲害識(shí)別與分級(jí)系統(tǒng)。結(jié)果表明:1)基于遷移學(xué)習(xí)的GoogLeNet模型,對(duì)病蟲害識(shí)別精度可達(dá)99.35%,危害程度分級(jí)精度可達(dá)92.78%;2)在相同訓(xùn)練參數(shù)下,本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型驗(yàn)證精度提高了2.38%~11.44%,并且收斂速度最快;3)本研究模型識(shí)別精度隨著數(shù)據(jù)集的增大而提高;在3種優(yōu)化算法中SGDM算法耗時(shí)最短且精度最高,更適合本研究模型。通過拍攝果樹葉片病害區(qū)域圖像,本研究設(shè)計(jì)的系統(tǒng)能夠在0.43s左右準(zhǔn)確識(shí)別出果樹種類、病害類型以及危害等級(jí)等信息。

  關(guān)鍵詞果樹;病蟲害;識(shí)別系統(tǒng);遷移學(xué)習(xí);GoogLeNet

果園病蟲害論文

  果園病蟲害影響水果的品質(zhì)和產(chǎn)量,自動(dòng)識(shí)別病蟲害是一個(gè)重要研究方向。隨著果園生產(chǎn)種植模式不斷復(fù)雜化,果園生產(chǎn)中所遇到的病蟲害情況也越來越復(fù)雜,對(duì)果樹生長造成了嚴(yán)重影響,快速、準(zhǔn)確、有效地識(shí)別出病蟲害危害程度并采取相關(guān)防治措施及時(shí)止損[1-2],對(duì)于提高水果品質(zhì)和產(chǎn)量至關(guān)重要。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展,植物病蟲害檢測(cè)技術(shù)也取得了長足的進(jìn)步。

  園藝師評(píng)職知識(shí):發(fā)表農(nóng)作物病蟲害研究論文的SCI期刊

  植物病蟲害識(shí)別方法主要分為傳統(tǒng)方法和深度學(xué)習(xí)方法。傳統(tǒng)方法需要人工提取病害紋理、顏色等特征,往往識(shí)別種類有限且識(shí)別精度不高,難以大規(guī)模的推廣應(yīng)用。如肖志云等[3]提出了一種基于小波域的馬鈴薯典型蟲害特征提取與識(shí)別方法。

  黨滿意等[4]利用GrapCut算法與直方圖分割算法提取馬鈴薯晚疫病特征用于晚疫病識(shí)別,該方法對(duì)于中晚期病害識(shí)別準(zhǔn)確率能達(dá)到90%以上。肖志云等[5]提出了一種馬鈴薯典型病害圖像的自適應(yīng)特征融合與快速識(shí)別方法。張建華等[6-7]利用BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)進(jìn)行棉花病蟲害識(shí)別,識(shí)別精度基本能達(dá)到90%以上。卷積神經(jīng)網(wǎng)絡(luò)(Convolutionalneuralnetwork,CNN)能夠不依賴特定特征,在圖像識(shí)別領(lǐng)域已經(jīng)得到了廣泛應(yīng)用[8-11]。如孫俊等[12]提出了一種批歸一化與全局池化相結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型,對(duì)于多種植物葉片病害的識(shí)別準(zhǔn)確率達(dá)到了99.56%。

  房若民等[13]設(shè)計(jì)了一種嵌入式農(nóng)業(yè)病蟲害識(shí)別防治系統(tǒng),可以識(shí)別多種病蟲害且識(shí)別準(zhǔn)確率達(dá)92.6%。于小東等[14]設(shè)計(jì)了一款實(shí)時(shí)在線農(nóng)作物病蟲害等級(jí)識(shí)別手機(jī)APP,能夠在0.1~0.5s獲取識(shí)別結(jié)果。任守綱等[15]構(gòu)建了一種基于反卷積引導(dǎo)的VGG網(wǎng)絡(luò)模型,能同時(shí)實(shí)現(xiàn)植物葉部病害種類識(shí)別與病斑分割。Gonzalez-Huitron等[16]構(gòu)建了一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò),并將其成功應(yīng)用在RaspberryPi4上進(jìn)行番茄病蟲害的識(shí)別。李就好等[17]提出了一種改進(jìn)FasterR-CNN模型來識(shí)別田間苦瓜葉片病蟲害,改進(jìn)后平均準(zhǔn)確率為86.39%。

  王春山等[18]利用改進(jìn)Multi-scaleResNet模型進(jìn)行蔬菜葉部病害識(shí)別,在真實(shí)環(huán)境下識(shí)別準(zhǔn)確率達(dá)到了93.05%。上述研究大多以常見病蟲害識(shí)別為主,少有對(duì)病蟲害危害程度進(jìn)行分級(jí)識(shí)別研究。目前在果園精細(xì)化管理中,僅僅識(shí)別果樹病蟲害種類,難以滿足果園精準(zhǔn)變量施藥的要求;诖,本研究擬采用遷移學(xué)習(xí)技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法研究果園病蟲害識(shí)別與危害程度分級(jí)問題,以期為現(xiàn)代果園智能化、精細(xì)化管理提供一定的技術(shù)支持。

  1材料與方法

  1.1試驗(yàn)數(shù)據(jù)

  1.1.1數(shù)據(jù)來源

  試驗(yàn)數(shù)據(jù)主要來源于PlantVillage官網(wǎng)(https:∥plantvillage.psu.edu)。從PlantVillage官網(wǎng)收集了11653張病蟲害樣本圖像。另外,從北京市通州區(qū)(116.65°E,39.92°N)中農(nóng)富通現(xiàn)代果園中,利用飛螢8SE相機(jī)(分辨率1280像素×720像素)人工拍攝了1500張果樹健康與患病葉片圖像,總計(jì)13153張樣本圖像。在全部樣本圖像中,含有桃、蘋果、櫻桃、葡萄、柑橘、草莓等6種果園作物,共計(jì)25種病蟲害類型樣本(10種病害,9種蟲害,6種健康)。

  1.1.2數(shù)據(jù)預(yù)處理由統(tǒng)計(jì)樣本分布情況可知,各類病蟲害樣本數(shù)量在232~1899張不等(表1)。為了防止因訓(xùn)練樣本數(shù)量過少而導(dǎo)致模型發(fā)生過擬合現(xiàn)象,本研究對(duì)已有圖像進(jìn)行隨機(jī)翻轉(zhuǎn)、平移、縮放以及對(duì)比度增減等操作將圖像擴(kuò)充至105224張。同時(shí),考慮到樣本來源不同,導(dǎo)致所收集的圖像格式、大小等存在差異,使用MATLAB自編函數(shù)將所有圖像調(diào)整為統(tǒng)一大小(224像素×224像素)。

  1.1.3病害危害程度分級(jí)通過觀察不同患病葉片顏色以及病斑大小劃分病害級(jí)別。本研究具體分級(jí)標(biāo)準(zhǔn)參考GB/T17980.24—2000《農(nóng)藥田間藥效試驗(yàn)準(zhǔn)則(一)殺菌劑防治梨黑星病》[19]中葉片病情分級(jí)標(biāo)準(zhǔn),按照病斑占整個(gè)葉片面積比例劃分6個(gè)等級(jí):0級(jí),無病斑;1級(jí),0<病斑≤10%;3級(jí),10%<病斑≤25%;5級(jí),25%<病斑≤40%;7級(jí),40%<病斑≤65%;9級(jí),病斑>65%。本研究采用人工分級(jí)方式將果樹病害危害程度分為3級(jí):0級(jí)為健康,無病斑;Ⅰ級(jí)為一般,0<病斑≤30%;Ⅱ級(jí)為嚴(yán)重,病斑>30%。

  在總體樣本集中,隨機(jī)選出60%和20%的圖像樣本分別作為訓(xùn)練集(Trainset)與驗(yàn)證集(Validationset),剩余20%的圖像樣本作為測(cè)試集(Testset)。其中,驗(yàn)證集用來對(duì)模型進(jìn)行修正,測(cè)試集用于評(píng)估最終模型的泛化能力[17]。

  1.2模型搭建

  1.2.1模型簡介

  GoogLeNet網(wǎng)絡(luò)模型主要由9個(gè)模塊化結(jié)構(gòu)(Inceptionv1)串聯(lián)而成。在第一個(gè)Inception模塊之前,模型含有3個(gè)卷積層(Convolutionlayer),3個(gè)激活層(Relulayer),2個(gè)最大池化層(Maxpoolinglayer),2個(gè)歸一化層(Normalizationlayer)。在第2、3個(gè)Inception模塊 以及第7、8個(gè)Inception模塊之間都含有一個(gè)最大池化層(Maxpoolinglayer)。

  在Inception模塊之后,依次是全局平均池化層(Globalaveragepoolinglayer)、Dropout層(Dropoutlayer)、全連接層(Fullyconnectedlayer)、Softmax層(Softmaxlayer)、分類層(Classificationlayer)。本研究主要將模型最后3個(gè)網(wǎng)絡(luò)層進(jìn)行替換,并將全連接層的輸出大小修改為35,其他參數(shù)保持不變。

  2結(jié)果與討論

  本研究采用中國農(nóng)業(yè)大學(xué)植保機(jī)械實(shí)驗(yàn)室計(jì)算機(jī),其硬件配置為:Windows10專業(yè)版64位操作系統(tǒng),CPU為英特爾i7-10700,GPU為英偉達(dá)GTX1660Super6GB,主板為微星MAGB460M,內(nèi)存為32G。攝像頭為免驅(qū)USB攝像頭,焦距F6.0mm,視像解析度640像素×480像素。軟件開發(fā)環(huán)境為MATLAB2020a版本。

  2.1訓(xùn)練結(jié)果

  為驗(yàn)證本研究方法的有效性與優(yōu)越性,隨機(jī)選取AlexNet、VGG-16、ResNet-18、GoogLeNet、SqueezeNet和MobileNet-v2這6種模型。在相同訓(xùn)練參數(shù)設(shè)置條件下,進(jìn)行6種模型訓(xùn)練與驗(yàn)證,訓(xùn)練曲線見圖3。本研究將經(jīng)過遷移學(xué)習(xí)的GoogLeNet網(wǎng)絡(luò)模型記為GoogLeNet*,與原模型以示區(qū)別。

  訓(xùn)練精度曲線可以描述隨著迭代次數(shù)的增加,模型預(yù)測(cè)精度的波動(dòng)情況。除SqueezeNet模型,其余6種模型在收斂時(shí)訓(xùn)練精度均達(dá)到了90%以上。其中,收斂速度最快的模型是GoogLeNet*,最慢的是SqueezeNet。當(dāng)?shù)螖?shù)為400次時(shí),GoogLeNet*模型訓(xùn)練精度率先達(dá)到80%,迭代5000次后趨于收斂,此時(shí)模型訓(xùn)練精度為95%,最終模型訓(xùn)練精度為99%。然而,SqueezeNet模型在迭代次數(shù)為12000次時(shí),其訓(xùn)練精度才達(dá)到80%,并且在訓(xùn)練過程中訓(xùn)練精度曲線波動(dòng)幅度較大,最終模型訓(xùn)練精度為88%。

  其余5種模型訓(xùn)練精度曲線大致相同,最終模型訓(xùn)練精度為90%~95%。訓(xùn)練結(jié)果表明,本研究模型無論在收斂速度方面,還是模型精度方面都表現(xiàn)出色。損失曲線則表示隨著迭代次數(shù)的增加,模型預(yù)測(cè)值與真實(shí)值之間偏差波動(dòng)情況。損失值越小,表明模型精度越高,預(yù)測(cè)出錯(cuò)概率越小[8]。由此可知,GoogLeNet*模型率先達(dá)到收斂,最終損失值為0.0078,均低于其他6種模型。SqueezeNet模型損失值最大為0.3537,其余模型損失值介于二者之間。在模型平均訓(xùn)練時(shí)長方面,7種模型平均訓(xùn)練時(shí)長分布在2.15~24.17h。

  其中,AlexNet與SqueezeNet模型訓(xùn)練時(shí)間最短約2h,VGG-16模型最長約24h,其余模型訓(xùn)練時(shí)長均在10h以內(nèi)。然而,本研究模型訓(xùn)練時(shí)長為4.13h,比原GoogLeNet模型縮短0.25h。對(duì)于病蟲害識(shí)別最重要的是識(shí)別精度與識(shí)別時(shí)間,其次是模型大小。因此,本研究按照優(yōu)先級(jí):識(shí)別精度>識(shí)別時(shí)間>模型大小進(jìn)行模型評(píng)價(jià)。7種模型驗(yàn)證精度分布在85.49%~96.93%。

  其中,GoogLeNet*模型驗(yàn)證精度最高為96.93%,SqueezeNet模型驗(yàn)證精度最低為85.49%,其他模型驗(yàn)證精度均在90%以上。在識(shí)別時(shí)間方面,SqueezeNet模型識(shí)別時(shí)間最短約1.4ms,最長為VGG-16模型約5.9ms。其中,AlexNet、SqueezNet、GoogLeNet、GoogLeNet*、MobileNet-v2模型平均識(shí)別時(shí)間均在5ms以內(nèi),而VGG-16與ResNet-18模型平均識(shí)別時(shí)間則超過5ms。這主要是模型結(jié)構(gòu)、層數(shù)、參數(shù)量不同所致。

  在模型大小方面,由于ResNet-18、SqueezeNet、GoogLeNet、MoblieNet-v2模型為輕量級(jí)神經(jīng)網(wǎng)絡(luò),所以訓(xùn)練完成后模型大小都在10MB以下。其中,SqueezeNet模型最小僅為2.47MB,最大為MobileNet-v2模型的8.24MB。另外,3種模型(VGG-16、AlexNet、GoogLeNet*)稍微大一些,分別為474、199和21.3MB。

  2.3模型驗(yàn)證

  為驗(yàn)證本研究模型的實(shí)用性,開發(fā)了一款果園病蟲害分級(jí)識(shí)別系統(tǒng)進(jìn)行試驗(yàn)驗(yàn)證,開發(fā)環(huán)境為MATLAB2020a。軟件包含前端用戶操作界面和后臺(tái)識(shí)別模塊這2部分。其中,前端設(shè)計(jì)采用APP Designer設(shè)計(jì)器進(jìn)行可視化界面布局,采用了Button組件、Label組件、圖像窗口組件、坐標(biāo)區(qū)域組件、文本區(qū)域組件。其軟件工作流程和前端界面見圖5。后臺(tái)處理通過使用MATLAB語言編寫程序打開或關(guān)閉相機(jī),并調(diào)用訓(xùn)練好的GoogLeNet*模型進(jìn)行果樹病蟲害識(shí)別與危害程度分級(jí)。同時(shí),該軟件還能根據(jù)識(shí)別結(jié)果調(diào)用本地瀏覽器自動(dòng)檢索病蟲害防治建議和防治藥品展示給用戶。

  2.3.1病蟲害識(shí)別

  本研究從測(cè)試集隨機(jī)選取20種病蟲害類型(10種病害、8種蟲害、2種健康),每類選取20張圖像進(jìn)行模型識(shí)別效果分析,測(cè)試結(jié)果見表5?芍,本研究模型對(duì)蟲害識(shí)別精度要高于病害識(shí)別精度。其中,病害的平均識(shí)別精度達(dá)到了98.70%,健康葉片以及蟲害平均識(shí)別精度都達(dá)到了100%,病蟲害總體平均識(shí)別精度為99.35%。同時(shí),該系統(tǒng)識(shí)別單張圖像的平均用時(shí)約為0.43s。測(cè)試結(jié)果表明本研究模型識(shí)別病蟲害效果較好,能夠滿足果園病蟲害實(shí)時(shí)監(jiān)控系統(tǒng)識(shí)別要求。

  3結(jié)論

  1)針對(duì)現(xiàn)有果樹病蟲害危害程度分級(jí)模型存在精度不高,難以滿足精準(zhǔn)施藥要求的問題,本研究采用遷移學(xué)習(xí)技術(shù)與GoogLeNet模型相結(jié)合的方法,對(duì)果園病蟲害樣本進(jìn)行了識(shí)別和危害程度分級(jí)研究。所設(shè)計(jì)模型大小為21.3MB,平均識(shí)別精度達(dá)到了99.35%。其中,病害識(shí)別精度為98.70%,蟲害識(shí)別精度為100%。對(duì)病害樣本進(jìn)行危害程度分級(jí),平均分級(jí)精度為92.78%。

  2)在相同訓(xùn)練參數(shù)下,本研究模型較AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型驗(yàn)證精度提高了2.38%~11.44%,并且損失值最低。同時(shí),探究了不同數(shù)據(jù)集大小與不同優(yōu)化算法對(duì)模型性能的影響。研究結(jié)果表明,遷移學(xué)習(xí)技術(shù)能夠在一定程度上加快模型收斂速度;本研究模型精度隨著數(shù)據(jù)集的增大而提高;在3種優(yōu)化算法中,SGDM算法耗時(shí)最短且精度最高,更適合本研究模型。

  3)基于MATLAB平臺(tái),設(shè)計(jì)了一款可視化的果園病蟲害分級(jí)識(shí)別系統(tǒng)。經(jīng)過400次實(shí)際測(cè)試,該系統(tǒng)識(shí)別單張圖像僅需0.43s。本研究所設(shè)計(jì)系統(tǒng)實(shí)用性與穩(wěn)定性較強(qiáng),可為現(xiàn)代果園智能化、精細(xì)化管理提供一定的技術(shù)支持。

  參考文獻(xiàn)References

  [1]王軍,汪東方.基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的農(nóng)作物病害分類[J].農(nóng)業(yè)工程學(xué)報(bào),2021,37(4):199-207WangJ,WangDF.Cropdiseaseclassificationwithtransferlearningandresiduenetworks[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2021,37(4):199-207(inChinese)

  [2]王書志,喬虹,馮全,張建華.基于顯著性目標(biāo)檢測(cè)的葡萄葉片病害分割[J].湖南農(nóng)業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2021,47(1):101-107WangSZ,QiaoH,F(xiàn)engQ,ZhangJH.Segmentationmethodofgrapeleafdiseasebaseddeepsalientobjectdetection[J].JournalofHunanAgriculturalUniversity:NaturalSciences,2021,47(1):101-107(inChinese)

  [3]肖志云,劉洪.小波域馬鈴薯典型蟲害圖像特征選擇與識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(9):24-31.XiaoZY,LiuH.Featuresselectionandrecognitionofpotatotypicalinsectpestimagesinwaveletdomain[J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2017,48(9):24-31(inChinese)

  作者:萬軍杰祁力鈞*盧中奧周佳蕊張豪

轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng):http:///nylw/28746.html