為了提取圖像高層語義特征、解決各種植物病蟲害圖像尺寸不相同的問題,提出了多層次增強高效空間金字塔（Extremely efficient spatial pyramid,EESP）卷積深度學(xué)習(xí)模型。首先,對圖像進行預(yù)處理;其次,構(gòu)建多層融合EESP網(wǎng)絡(luò)模型,該模型通過對每層設(shè)置不同的空洞率進行空洞卷積,選擇性地提取不同層次的特征信息,通過融合各層信息獲得各種農(nóng)作物病蟲害圖像的不同特征;最后,通過Softmax分類方法實現(xiàn)農(nóng)作物病蟲害識別。數(shù)據(jù)集包括10種農(nóng)作物的61種病蟲害類別,迭代訓(xùn)練300次,得到本文方法 Top1分類準確率最高達到了88.4%,且采用三階EESP模型達到了最佳效果。 

【文章來源】：農(nóng)業(yè)機械學(xué)報. 2020,51(08)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

空洞卷積

傳統(tǒng)卷積是同時考慮區(qū)域和通道的，而在可分離卷積中，可將區(qū)域和通道分開計算，先進行卷積計算，再進行通道數(shù)轉(zhuǎn)換[16]，如圖2所示。比如，假設(shè)一個n×n的濾波器，其輸入通道數(shù)為c，輸出通道數(shù)為c"。傳統(tǒng)卷積的參數(shù)量為n2cc"，而采用可分離卷積，參數(shù)量僅需n2c+cc"=(n2+c")c，隨著輸出通道數(shù)增多，參數(shù)量增長趨勢變慢。2 基于EESP模型的農(nóng)作物病蟲害識別過程

本研究基于深度學(xué)習(xí)方法對農(nóng)作物病蟲害圖像進行分類識別，首先加載數(shù)據(jù)集，對數(shù)據(jù)進行預(yù)處理，然后將圖像送入構(gòu)建的多層EESP網(wǎng)絡(luò)進行訓(xùn)練，進行多層次特征提取，最后通過Softmax函數(shù)對獲取到的特征進行病蟲害種類識別�；玖鞒倘鐖D3所示，其中，Pn表示預(yù)測為第n種病蟲害的概率。2.1 基于重采樣的數(shù)據(jù)預(yù)處理

【參考文獻】：
期刊論文
[1]農(nóng)作物科學(xué)種植及病蟲害防治技術(shù)淺析[J]. 楊舒廣.  農(nóng)家參謀. 2019(19)
[2]基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識別技術(shù)研究進展[J]. 賈少鵬,高紅菊,杭瀟.  農(nóng)業(yè)機械學(xué)報. 2019(S1)
[3]基于深度學(xué)習(xí)的農(nóng)作物病害檢測[J]. 魏超,范自柱,張泓,王松.  江蘇大學(xué)學(xué)報(自然科學(xué)版). 2019(02)
[4]農(nóng)作物病蟲害圖像識別技術(shù)的研究綜述[J]. 汪京京,張武,劉連忠,黃帥.  計算機工程與科學(xué). 2014(07)
[5]基于圖像和光譜信息融合的病蟲害葉片檢測系統(tǒng)[J]. 謝春燕,吳達科,王朝勇,李巖.  農(nóng)業(yè)機械學(xué)報. 2013(S1)

博士論文
[1]不均衡數(shù)據(jù)分類方法的研究[D]. 曹鵬.東北大學(xué) 2014



本文編號：3367569