基于深度卷积生成对抗网络的小样本植物病害识别问题研究
发布时间：2021-01-07 22:53
某些检疫性植物病害,由于其传染性强、传播途径广、危害性大等特点,难以获得大量的样本,数据存在着严重的不均衡性,在应用深度学习方法对其进行分类识别时很难取得理想的效果。本文采用深度卷积生成对抗网络（DCGAN）对样本集进行扩充,使得扩充后的样本集中正负样本比例大致为1:1,且样本集规模都达到万级。利用扩充后的样本集进行分类实验,提高对小样本植物病害的分类准确率,实现对小样本植物病害的自动识别与检测。就DCGAN实验的改进而言,在卷积层和批量规范化（BN）层之间加入了自定义的Mute层,以解决鉴别器判别过于严格导致生成器无法学习到样本分布的问题,并能解决使用Dropout时遇到的方差偏移问题,进而提高生成样本的质量。此外,从生成样本与原始样本相似性的角度出发,提出了一种评价生成样本质量的方法,并选出了生成效果较好的生成模型。在病斑样本的识别分类实验中,卷积神经网络80%的神经元都集中在全连接层部分,使得网络训练的时候速度很慢,本文从减轻网络负载的角度出发,去掉了一层全连接层和两层卷积层,使网络的参数减小了一个量级,提升了网络训练的速度。在分类准确率方面,引入迁移学习的方法,对分类效果进行提...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
GAN结构简图
重庆大学硕士学位论文3基于深度卷积生成对抗网络的样本扩充193基于深度卷积生成对抗网络的样本扩充深度卷积生成对抗网络通过卷积的过程进行特征提取和识别分类，并利用反卷积过程进行图像生成，因卷积神经网络具有强大的特征提取能力，在生成图像方面具有显著的效果3.1深度卷积生成对抗网络模型及原理介绍深度卷积生成对抗网络（DeepConvolutionalGenerativeAdversarialNetworks,DCGAN）和原始生成对抗网络（GANs）原理基本相同，两者的目标都是对生成器和鉴别器进行迭代优化，进而达到平衡生成器G网络的损失函数为：1∑[ln(1(()))]=1（3.1）鉴别器D网络的损失函数为：1∑[ln()]+ln(1(()))=1（3.2）其中：D（x）是对真实样本的判别概率，G（z）是生成的假样本，D（G（z））是对生成样本的判别概率G的目的是使得生成的图像能够以假乱真，即D（G（z））越大越好，引用1-D（G（z））表达损失值，因此损失值越小实验效果越好；D的目的是使得鉴别真伪的能力越强越好，即D（G（z））应很小（接近于0），而D（x）应很大（接近于1）DCGAN只是用卷积神经网络（CNN）替换掉了GAN网络结构中的G和D，且这种替换不是随意替换GAN与卷积神经网络（CNN）结合的探索很早就开始了，但都未获得成功。2016年，基于之前的一系列探索经验，AlecRadford等人发现了一类可在分辨率更高更深的生成模型上进行稳定训练的结构，即DCGAN模型生成器模型如下图3.1所示：图3.1深度卷积生成对抗网络生成器模型结构示意图Figure3.1SchematicdiagramofDCGAN’sgeneratormodelstructure
重庆大学硕士学位论文 3 基于深度卷积生成对抗网络的样本扩充 GAN 训练中存在的主要问题是初始化不良导致生成模型崩溃（所有生成的样本都在一个点上），因此 DCGAN 引入 BN 来解决这一问题，事实证明其不但能解决初始化不良导致的训练问题，还能使梯度向更深层次的网络传播 对于 G 网络，如上图 3.1 所示，使用了四层反卷积网络，其输入是 100 维的随机噪声向量，然后转化为一个4 × 4 × 1024的 feature map，再经过 4 层反卷积输出大小为64 × 64 × 3的 RGB 图像。D 网络是通过卷积神经网络，把输入的图像进行卷积运算（下采样），经过全连接层处理后送入 sigmoid 函数，进而输出图像的真假概率
【参考文献】：
期刊论文
[1]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
[2]基于Variance–SFFS的小麦叶部病害图像识别[J]. 胡维炜,张武,刘连忠. 湖南农业大学学报(自然科学版). 2018(02)
[3]一种基于卷积神经网络的小麦病害识别方法[J]. 张航,程清,武英洁,王亚新,张承明,殷复伟. 山东农业科学. 2018(03)
[4]基于主成分-贝叶斯分类模型的除草机器人杂草识别方法（英文）[J]. 周影,房建东,赵于东. 机床与液压. 2018(06)
[5]基于深度卷积神经网络AlexNet的验证码识别研究[J]. 于鹏. 通讯世界. 2018(01)
[6]基于物联网和深度卷积神经网络的冬枣病害识别方法[J]. 张善文,黄文准,尤著宏. 浙江农业学报. 2017(11)
[7]基于卷积神经网络的辣椒识别[J]. 李莲,丁文宽. 天津理工大学学报. 2017(03)
[8]基于异步JavaScript技术的水稻病虫害图像网络爬虫设计[J]. 彭崧. 科技视界. 2017(07)
[9]基于剪切波变换和无人机麦田图像的区域杂草识别方法[J]. 王海华,朱梦婷,李莉,王丽燕,赵海英,梅树立. 农业工程学报. 2017(S1)
[10]图像识别处理技术在农业工程中的应用[J]. 周清松,唐秀忠. 现代电子技术. 2017(04)
硕士论文
[1]面向杂草识别的K近邻算法研究[D]. 徐辛颖.东北农业大学 2013
本文编号：2963396
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
GAN结构简图
重庆大学硕士学位论文3基于深度卷积生成对抗网络的样本扩充193基于深度卷积生成对抗网络的样本扩充深度卷积生成对抗网络通过卷积的过程进行特征提取和识别分类，并利用反卷积过程进行图像生成，因卷积神经网络具有强大的特征提取能力，在生成图像方面具有显著的效果3.1深度卷积生成对抗网络模型及原理介绍深度卷积生成对抗网络（DeepConvolutionalGenerativeAdversarialNetworks,DCGAN）和原始生成对抗网络（GANs）原理基本相同，两者的目标都是对生成器和鉴别器进行迭代优化，进而达到平衡生成器G网络的损失函数为：1∑[ln(1(()))]=1（3.1）鉴别器D网络的损失函数为：1∑[ln()]+ln(1(()))=1（3.2）其中：D（x）是对真实样本的判别概率，G（z）是生成的假样本，D（G（z））是对生成样本的判别概率G的目的是使得生成的图像能够以假乱真，即D（G（z））越大越好，引用1-D（G（z））表达损失值，因此损失值越小实验效果越好；D的目的是使得鉴别真伪的能力越强越好，即D（G（z））应很小（接近于0），而D（x）应很大（接近于1）DCGAN只是用卷积神经网络（CNN）替换掉了GAN网络结构中的G和D，且这种替换不是随意替换GAN与卷积神经网络（CNN）结合的探索很早就开始了，但都未获得成功。2016年，基于之前的一系列探索经验，AlecRadford等人发现了一类可在分辨率更高更深的生成模型上进行稳定训练的结构，即DCGAN模型生成器模型如下图3.1所示：图3.1深度卷积生成对抗网络生成器模型结构示意图Figure3.1SchematicdiagramofDCGAN’sgeneratormodelstructure
重庆大学硕士学位论文 3 基于深度卷积生成对抗网络的样本扩充 GAN 训练中存在的主要问题是初始化不良导致生成模型崩溃（所有生成的样本都在一个点上），因此 DCGAN 引入 BN 来解决这一问题，事实证明其不但能解决初始化不良导致的训练问题，还能使梯度向更深层次的网络传播 对于 G 网络，如上图 3.1 所示，使用了四层反卷积网络，其输入是 100 维的随机噪声向量，然后转化为一个4 × 4 × 1024的 feature map，再经过 4 层反卷积输出大小为64 × 64 × 3的 RGB 图像。D 网络是通过卷积神经网络，把输入的图像进行卷积运算（下采样），经过全连接层处理后送入 sigmoid 函数，进而输出图像的真假概率
【参考文献】：
期刊论文
[1]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
[2]基于Variance–SFFS的小麦叶部病害图像识别[J]. 胡维炜,张武,刘连忠. 湖南农业大学学报(自然科学版). 2018(02)
[3]一种基于卷积神经网络的小麦病害识别方法[J]. 张航,程清,武英洁,王亚新,张承明,殷复伟. 山东农业科学. 2018(03)
[4]基于主成分-贝叶斯分类模型的除草机器人杂草识别方法（英文）[J]. 周影,房建东,赵于东. 机床与液压. 2018(06)
[5]基于深度卷积神经网络AlexNet的验证码识别研究[J]. 于鹏. 通讯世界. 2018(01)
[6]基于物联网和深度卷积神经网络的冬枣病害识别方法[J]. 张善文,黄文准,尤著宏. 浙江农业学报. 2017(11)
[7]基于卷积神经网络的辣椒识别[J]. 李莲,丁文宽. 天津理工大学学报. 2017(03)
[8]基于异步JavaScript技术的水稻病虫害图像网络爬虫设计[J]. 彭崧. 科技视界. 2017(07)
[9]基于剪切波变换和无人机麦田图像的区域杂草识别方法[J]. 王海华,朱梦婷,李莉,王丽燕,赵海英,梅树立. 农业工程学报. 2017(S1)
[10]图像识别处理技术在农业工程中的应用[J]. 周清松,唐秀忠. 现代电子技术. 2017(04)
硕士论文
[1]面向杂草识别的K近邻算法研究[D]. 徐辛颖.东北农业大学 2013
本文编号：2963396
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2963396.html
最近更新
教材专著
