91学术服务平台

您好,欢迎来到91学术官网!站长邮箱:91xszz@sina.com

发布论文

论文咨询

深度学习视角下农作物病虫害识别方法探究

  2020-12-16    1180  上传者:管理员

摘要:传统的农作物病虫害识别方法具有鲁棒性差、识别准确率低等问题,而卷积神经网络具有自动提取图像特征、泛化能力强、识别准确率高等特点。快速准确地识别出农作物病虫害类型不仅可以减少病害给农民带来的损失,还可以降低农药对生态环境带来的影响。因此找到一种简单易行的检测方法来快速检测农作物病虫害类型很有意义。基于此,笔者在实验中采用了一种基于残差网络改进的卷积神经网络,并以公开的植物数据集影像作为实验的数据集来训练神经网络,且引入了Xception、VGG-16网络模型进行比较,实验结果证明:笔者所提出的神经网络模型识别准确率达到了98.6%,高于xception的93%、VGG-16的95%。

  • 关键词:
  • 全卷积网络
  • 农作物病虫害
  • 卷积网络
  • 深度学习
  • 特征融合
  • 加入收藏

引言


农业生产在现代社会中占据着重要的位置,农作物的产量以及质量直接影响着人们的生产生活。因此,农作物病虫害的有效识别和防治是特别有意义的。

传统的图像处理算法泛化能力差,且需要人工进行特征处理。随着人工智能技术的不断发展,关于农作物病虫害识别技术也取得了一定的进步。深度学习算法能够自动提取图像特征,并且能够很好地利用这些特征信息。因此不少研究者将深度学习技术应用到了农作物病虫害识别并取得了较高的准确率,如曹长荣等[1]对植物叶片分类、谭文军等[2]对多种植物病害识别、黄文准等[3]对冬枣病害及黄瓜叶部病害识别等方面进行了研究。

本文利用几种常见农作物病虫害图像对不同的神经网络模型进行训练,并进行比较分析,以获得较好的识别效果,其实验结果及分析可以为农作物病害的识别提供一定的参考。


1、实验方法


实验采用深度卷积神经网络来提取农作物叶片图像特征并进行分类。首先需要对图像预处理,然后送入神经网络训练,最后训练好的网络模型可用于辅助识别农作物病虫害。

1.1实验数据

文中使用的实验数据来自于plantVillage工程提供的公开数据集,其中包含玉米、辣椒、南瓜等14种农作物,共26类病害叶片以及部分健康农作物叶片,如图1所示。

由实验样本的分布情况可以发现部分样本数目分布不均衡,这将会导致训练好的模型对样本识别存在较大的偏差。为了使数据平衡,实验中采用了图片翻转、裁剪以及加权的损失函数等措施来使得数据得以均衡。

图1数据集示例图

1.2神经网络结构

卷积神经网络[4]由输入层、卷积层、池化层构成,具体如图2所示。卷积层的作用是提取图像特征,实验中采用了7x7的卷积核,这样可以加大神经网络的感受野,获得较好的特征信息[5]。在7x7的卷积层后引入relu函数来增加神经网络各层之间的非线性关系。

要提高神经网络的性能,传统方法是加深或加宽网络,但是这样做的同时会带来网络参数激增和神经网络出现梯度消失等情况。因此,本实验采用了ResNeXt模块,该模块采用了平行堆叠相同拓扑结构,由于拓扑结构相同,所以ResNeXt模块具有网络结构简明的特点,并且能够在较少参数的条件下增加网络的性能,从另外一个角度看,这个模块使得需要人工设置的超参数减少。在ResNeXt模块之后采用了池化层[6]来获取全局上下文关系以及网络深层的高级语义信息[7]帮助分类器分类。最后通过全连接层把多维的特征图转化成一维的特征向量进行分类。

图2网络结构图

在网络的最后采用了centerloss结合softmaxloss的方式,这样做可以使得分类时各类别之间的距离变大,类内距离变小,同时也增加了模型的泛化能力。

1.3训练的神经网络

本文采用基于Windows的tensorflow深度学习框架对卷积神经网络进行搭建,神经网络的训练参数为learningrate=2e-4,epochs=20,batchsize=64。

1.4实验结果及分析

为了评估神经模型的有效性,本文将与另外的神经网络进行比较,其中包括:VGG-16[5]和Xception[6],使用同样的数据集,做同样的数据预处理,对预测结果进行评价,评价标准是准确率,计算公式如下:

公式1

其中:i为类别标签,N为样本总数,ni为类别i的样本数目,nii为类别i预测为第i类的样本数。如表1所示。

表1不同模型的准确率

从图3可以明显的看出本文中提出的网络模型其收敛速度相对于VGG-19和xception快得多,同时在准确度上本文提出的模型相对于其他两种模型有一个较好的表现。

图3网络结构图

由图3和图4可以看出神经网络对于农作物病虫害的识别准确率较高,但是仍然存在少量的被识别错误,说明还需要补充更多的数据去训练网络提高网络的性能。

图4实验结果的混淆矩阵


2、结论


本文采用了基于深度神经网络的农作物病虫害检测方法,打破了传统的基于农作物叶片特征识别的瓶颈,降低了实验数据收集的门槛,使得农作物病虫害检测不仅方便,而且具有较高的准确率和识别速度,将来可以不断收集实验数据以提高模型的能力,为农作物病虫害识别提供了一些辅助支持,对农作物病虫害防控具有积极意义。


参考文献:

[1]龚丁禧,曹长荣.基于卷积神经网络的植物叶片分类[J].计算机与现代化,2014(4):12-15+19.

[2]孙俊,谭文军,毛罕平,等.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报,2017,33(19):209-215.

[3]张善文,黄文准,尤著宏.基于物联网和深度卷积神经网络的冬枣病害识别方法[J].浙江农业学报,2017,29(11):1868-1874.

[7]杨国国,鲍一丹,刘子毅.基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J].农业工程学报,2017,33(6):156-162.


计雪伟,霍兴赢,薛端,伍晓平.基于深度学习的农作物病虫害识别方法[J].南方农机,2020,51(23):182-183.

分享:

91学术论文范文

相关论文

推荐期刊

网友评论

加载更多

我要评论

广西植保

期刊名称:广西植保

期刊人气:969

期刊详情

主管单位:广西壮族自治区农业农村厅

主办单位:广西区植保总站

出版地方:广西

专业分类:农业

国际刊号:1003-877

国内刊号:45-1181/S

创刊时间:1987年

发行周期:季刊

期刊开本:16开

见刊时间:7-9个月

论文导航

查看更多

相关期刊

热门论文

【91学术】(www.91xueshu.com)属于综合性学术交流平台,信息来自源互联网共享,如有版权协议请告知删除,ICP备案:冀ICP备19018493号

微信咨询

返回顶部

发布论文

上传文件

发布论文

上传文件

发布论文

您的论文已提交,我们会尽快联系您,请耐心等待!

知 道 了

登录

点击换一张
点击换一张
已经有账号?立即登录
已经有账号?立即登录

找回密码

找回密码

你的密码已发送到您的邮箱,请查看!

确 定