發(fā)布時間：2020-06-18 13:46

【摘要】：基于深度學習的植物疾病識別是現(xiàn)代農業(yè)研究領域的熱點。事實上,植物疾病發(fā)病率小、發(fā)病周期長、數據采集成本高等問題,導致采集數據的樣本偏少。而深度學習網絡模型訓練依靠大數據集,數據集過小會影響模型在植物疾病領域的應用。但遷移學習方法能夠從已知較大的數據集上學習知識特征,并將知識特征遷移到數據相對較少的數據集上。然而,對于單樣本數據的識別,使用遷移學習方法識別精確率較低。本文提出一種基于one-shot學習的果蔬疾病識別方法,解決由于果蔬疾病樣本數量較少,而導致神經網絡模型識別率較低的問題。以公開數據集PlantVillage中8類數據較少的果蔬疾病圖像作為研究對象。使用焦點損失函數(focal loss,FL)代替均方誤差損失函數(mean square error,MSE)訓練基于關系網絡的果蔬疾病分類器。在訓練時,調節(jié)焦點損失函數超參數使模型聚焦于難識別的正樣本,從而提高果蔬疾病識別精確率。在3-way,1-shot任務中,該方法的識別精確率達到91.64%,相比使用均方誤差損失函數(mean square error,MSE)的關系網絡模型精確率提高1.41%。在5-way,1-shot任務中,識別精確率提高了 4.69%。與匹配網絡(Matching Network)和遷移學習相比,此方法能有效解決果蔬疾病訓練樣本較少導致識別率低的問題。將模型部署到服務器端,可對小樣本果蔬疾病進行實時識別。
【學位授予單位】：北京林業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;S436
【圖文】：

邐２邋Ｏｎｅ－ｓｈｏｔ學習相關技術邐逡逑數構建不同的分類模型，如無參估計方法Ｋ－緊鄰算法、余弦距離、歐氏距離等學習逡逑一種線性的分類器。還有通過自動學習端到端的緊鄰算法，生成…個可自動學習的線逡逑性分類器。逡逑Ｋｏｒｃｈ邋等（Ｋｏｃｈ邋Ｇ、Ｚｅｍｅｌ邋Ｒ邋等，２０１５）提出具有監(jiān)督的孿生網絡（Ｓｉａｍｅｓｅ邋Ｎｅｔｗｏｒｋ），逡逑它主要控制輸入數據的結構自動學習新類別的特征，并將學習的新特征應用于ｏｎｅ－逡逑ｓｈｏｔ邋學習邋。孿生網絡通過近鄰算法計算不同類別成對圖像的距離，以此判斷成對圖像逡逑是否為同類。孿生網絡由多個卷積層和池化層組成如圖２．２所示，每個卷積層使用具逡逑有不同濾波器和固定步幅的單通道。網絡模型使用ＲｅＬＵ邋（ｒｅｃｔｉｆｉｅｄ邋ｌｉｎｅａｒｕｎｉｔｓ）激活逡逑函數輸出特征映射，最大采樣層的濾波器大小和步幅大小均為２。最后－個卷積層被逡逑平展為一個向量輸入到全連接層，然后計算距離，通過ｓｉｇｍｏｉｄ函數輸出一個０到１逡逑的概率作為兩個樣本的相似情況。逡逑特征向摪逡逑

Ｆｉｇｕｒｅ邋２．３邋Ｐｒｏｔｏｔｙｐｉｃａｌ邋Ｎｅｔｗｏｒｋ邋ｉｎ邋ｔｈｅ邋ｆｅｗ－ｓｈｏｔ邋ｓｃｅｎａｒｉｏｓ逡逑復雜的推理機制、復雜的循環(huán)神經網絡架構和微調嵌入特征。Ｓｕｎｇ等（Ｓｕｎｇ邋Ｆ、Ｙａｎｇ邋Ｙ等，２０１７））模型，此模型能夠通過圖像之間的關系自動學習性分類器，使ｏｎｅ－ｓｈｏｔ學習任務更加簡單。關系網絡模塊（ｅｍｂｅｄｄｉｎｇ邋ｍｏｄｕｌｅ）和關系模塊（ｒｅｌａｔｉｏｎ邋ｄｅ訓練策略，避免使用復雜的循環(huán)神經網絡。孿生學習嵌入空間，此嵌入空間使用固定的近鄰算法或系網絡主要根據兩個樣本的特征相似情況，推理它，深度學習模型需要對模型重新訓練。而本文的主模型的條件下，使神經網絡模型自動識別樣本較少一一，

【相似文獻】

相關期刊論文 前10條

1 郭起捷;;損失函數在預測診斷中的應用[J];汽車實用技術;2018年18期

2 王娜娜;;相對差損失函數下的保費估計[J];科技風;2016年17期

3 李小光;;混合損失函數支持向量回歸機的性能研究[J];西北大學學報(自然科學版);2011年02期

4 周學君;彭錦;;關于ε不敏感損失函數推廣誤差的界[J];數學雜志;2010年03期

5 劉懷東;袁保慶;章賢方;;一種電力用戶停電損失函數估算方法[J];繼電器;2006年16期

6 武俊芳;淺談對穩(wěn)健設計中質量損失函數的改進[J];內蒙古科技與經濟;2005年18期

7 魏世振,韓玉啟,陳傳明;基于信噪比的多元質量損失函數研究[J];管理工程學報;2004年02期

8 李躍波,周樹民;一種新的損失函數[J];武漢工業(yè)大學學報;1999年04期

9 ;紡織品質量波動的買方損失函數和賣方損失函數[J];上海紡織科技;1991年02期

10 王曉陵;;損失函數對反饋參數的二階導數快速計算法[J];自動化技術與應用;1987年03期

相關會議論文 前10條

1 張月義;宋明順;韓之俊;;動態(tài)特性質量損失函數研究[A];質量——持續(xù)發(fā)展的源動力：中國質量學術與創(chuàng)新論壇論文集（下）[C];2010年

2 李靜茹;錢偉民;;ε-不敏感損失函數下的Bayes估計方法[A];中國現(xiàn)場統(tǒng)計研究會第12屆學術年會論文集[C];2005年

3 張增明;陳套;丁澤軍;;Mo和Ta的有效電子能量損失函數[A];2006年全國電子顯微學會議論文集[C];2006年

4 張?zhí)m;;測量系統(tǒng)不確定度分析及其動態(tài)性研究[A];武漢市第二屆學術年會、通信學會2006年學術年會論文集[C];2006年

5 張月義;韓之俊;;基于質量損失函數的控制圖控制界限的優(yōu)化[A];第三屆中國質量學術論壇論文集[C];2008年

6 張超;簡曉春;梁麗;白廣松;;轉向盤力矩特性舒適性損失評價[A];2010中國汽車工程學會年會論文集[C];2010年

7 李一澤;張冬冬;張亮;代佳;徐盈;;基于人機舒適性的后排乘坐空間研究[A];2019中國汽車工程學會年會論文集（1）　[C];2019年

8 李春鵬;郭杰;康學凈;;基于DeepLab的二階段人像分割方法[A];第十三屆全國信號和智能信息處理與應用學術會議論文集[C];2019年

9 劉未鵬;周俊生;黃書劍;陳家駿;;中文共指消解中的聚類全局優(yōu)化[A];中國計算機語言學研究前沿進展（2007-2009）[C];2009年

10 魏立力;;基于指數分布壽命特征檢驗的Bayesian停止判別法則[A];2003中國現(xiàn)場統(tǒng)計研究會第十一屆學術年會論文集（上）[C];2003年

相關博士學位論文 前10條

1 酈博文;兩類模型的統(tǒng)計推斷及應用[D];中國科學技術大學;2019年

2 王峰;基于深度學習的人臉認證方法研究[D];電子科技大學;2018年

3 周瑜;基于度量學習和最大值損失函數的偏標記學習算法研究[D];大連理工大學;2017年

4 艾摩爾;多元重復測量模型和估計的比較[D];華東師范大學;2004年

5 張月義;質量損失函數與測量系統(tǒng)校準研究[D];南京理工大學;2010年

6 黃維忠;相依風險及平衡損失函數下的信度理論[D];華東師范大學;2013年

7 魏世振　;面向過程波動的質量測定與改進方法及其應用研究[D];南京理工大學;2003年

8 杜U

本文編號：2719339