返回目录：哪里好玩
鉴真
仅现实
地球学术期刊的公开数量
作者:蔡汉明1，余腾1*，张镇1，曾向勇2
单位: 1。青岛科技大学机电工程学院；2.北京盛凯互动科技有限公司
简介:蔡汉明，教授，从事计算机辅助设计和制造研究。*通讯作者，硕士研究生，从事计算机集成制造研究。
OSID开放科学项目按long键识别二维码
听一听作者对论文写作背景的描述，并与同行交流经验。
作物病害将直接影响其质量，导致蔬菜产量下降，这是种植者经济损失的主要原因之一。由于疾病种类繁多，无法及时诊断，导致农作物病害越来越严重。因此，准确及时地确定作物病害类型是治疗农业病害的关键。
随着计算机和模式识别技术的发展，研究者利用机器学习和图像处理方法来研究植物叶片病害识别。近年来，深度学习的特征提取和识别方法取得了很大进展。卷积神经网络已广泛应用于图像分类、目标检测、人脸识别等各种任务中，并在各个研究方向取得了优异的结果。
卷积神经网络在作物病害识别中也有广泛的应用，但一般来说，卷积神经网络模型参数多，计算量大，对设备要求高，因此流行性差。有鉴于此，作者提出了一种基于深度可分卷积的神经网络模型，该模型结合了批量归一化技术，加快了收敛速度，提高了精度，得到了一种参数和计算量少、适用于移动设备和资源约束的设备模型。对10种作物的27种病害样本进行分类，以便在实际生产管理中应用。
1材料和预处理
1.1
材料
数据集包括10种、27种疾病、10种健康分类和总共37种分类。每幅画包含一片或多片庄稼叶子。数据集被随机分为训练集(90%)和测试集(10%)。其中，训练集有32739张图片，测试集有4982张图片。一些训练样本如图1所示。
注:1~4为苹果健康、疮痂、灰斑和雪松锈病。5-6是樱桃保健和白粉病；7~11为玉米健康、灰斑、锈病、叶斑病和花叶病毒。12~15是葡萄健康、黑腐、轮斑和褐斑。16~17是柑橘健康和黄龙病。18~19是桃健康和疮痂病。20~21是辣椒健康和疮痂病；22~24为马铃薯健康、早疫病和晚疫病。25~26是草莓健康和叶枯病。27-37是番茄健康、白粉病、疮痂病、早疫病、晚疫病、叶霉病、斑点病、番茄斑点病、番茄红蜘蛛病、黄曲叶病毒病和花叶病毒病图1训练集图片说明
1.2
预处理
与传统卷积神经网络一致，深度可分离卷积神经网络的输入图像不需要做复杂的预处理操作(病变分割等)。)和图像上的设计特征，只需输入原始图像，通过反向传播逐层学习和获取特征。然而，由于图像样本数量有限，为了提高模型对测试集的适应性，需要扩展训练集样本。一般来说，在图像的操作中存在随机亮度、对比度、饱和度调整、噪声和模糊。为了减少训练轮数，研究选择离线扩展训练集样本，以四个角度(0、90、180、270)旋转样本，并在所有方向水平和垂直旋转，将原始训练数据集扩展到原始数据集的8倍，共有261，912个训练样本。
因为数据集中图片的大小和纵横比不一致，所以图片是边缘填充的，由平均像素补充为正方形，然后缩放到像素大小并存储在硬盘中。
2
模型构建和培训
一般卷积神经网络有多层卷积、汇聚层、激励层和全连接层，其次是软最大分类器进行分类。与标准卷积神经网络结构相似，本研究构建了一个结合深度可分离卷积和卷积的神经网络。
2.1
深度可分离卷积
基于标准卷积的计算公式，可以使用由逐深度卷积和11的卷积组成的深度可分离卷积来代替传统卷积，如图2所示。
图2标准卷积然而，仅在输入通道上卷积不会产生新的特征，因此有必要遵循11卷积并线性组合输出通道以产生新的特征。由于该模型使用深度可分离卷积(图3)，它可以减少到标准卷积计算的大约12%。
图3深度可分离卷积基于深度可分离卷积参数量和标准卷积参数量，比较具有相同数量的输入输出通道和卷积核的卷积运算参数量(图4)。
图4 1X1标准卷积2.2
网络模型
为了简化模型描述，标准卷积模块和深度可分离卷积模块被定义为如图5和6所示。无论是标准卷积、深度可分离卷积还是标准卷积，后面都是批量归一化层和激励层。
图5标准卷积模块
图6深度可分离卷积模块采用如下逐深度可分离网络模型:
由于本研究的目的是在资源有限的移动设备上使用网络模型，因此减少模型参数和模型计算量，同时确保模型的准确性是研究目标。因为模型的计算量与模型通道的数量相关，所以参数量与输入图片的大小相关。设计输入的不同模型见表1。
2.3模型训练
该测试使用pytorch深度学习框架、视窗7旗舰64位操作系统、英特尔i5-3210m中央处理器和8G内存。将批量设置为128，总共90次迭代。初始学习率为0.045，每轮学习率降低0.98，权重值降低0.00005，动量为0.9。
2.4
模型的比较与分析
本研究设计的六种模型与经典分类网络Resnet 18和Alexnet的比较结果见表2。可以看出，当精度差小于0.1%时，本研究提出的模型参数远小于Alexnet和Resnet，推理速度分别为1.77倍和4.92倍，更适合资源有限的设备。
3摘要
对背景复杂、光照不均的10种作物的27种病害样图进行了分类。本研究提出的模型准确率为98.26%，参数量仅为904K
深度可分离卷积不仅对各种植物的各种病害具有较好的特征提取和分类能力，而且大大减少了模型参数和计算量，为降低硬件成本奠定了坚实的基础，从而有利于植物叶片病害识别系统的后续研究和开发。
过去时期的亮点
论文|石狮里地区土壤养分异质性空|土地流转背景下村庄间的转化与效益空|传统技术与现代技术相结合的竹制品设计研究论文|核酸条形码在本溪阳湖沟水生昆虫鉴定中的应用
甘蓝型油菜品种对农田土壤重金属镉和铜富集差异的研究
磁性纳米Fe3O4富集鲫鱼蛋白抗菌肽
论文|澳大利亚乡村旅游发展及其对中国的启示
安徽省农业科学院岗集生态农业实验示范基地景观改造分析
论文|Cdh1和Num1过表达菌株的构建
药用植物内生真菌的研究进展
安徽农业科学安徽农业科学杂志
学术|科普|农业、农村和农民|聚焦|学习|生活
地球学术期刊的公开数量
贡献:ahnykx@aaas.org.cn
编辑:小白排版:小相同