基于神经结构搜索的多种植物叶片病害识别

发布时间：2024-12-01 04:58

　　 为实现植物病害的自动准确识别,该研究提出一种基于神经结构搜索的植物叶片图像病害识别方法,该方法能够依据特定数据集自动学习到合适的深度神经网络结构。采用包含14种作物和26种病害共54 306张的公开PlantVillage植物病害图像作为试验数据,按照4∶1的比例随机划分,分别用于神经结构搜索和测试搜索到的最优网络结构的性能。同时,为探究神经结构搜索对数据平衡问题是否敏感及图像在缺乏颜色信息时对神经结构搜索的影响,对训练数据进行过采样和亚采样平衡处理及灰度变换。试验结果显示,该研究方法在训练样本数据不平衡和平衡时均可以搜索出合适的网络结构,模型识别准确率分别为98.96%和99.01%;当采用未进行平衡处理的灰度图像作为训练数据时,模型识别准确率有所下降,为95.40%。该方法能够实现植物病害的准确识别,为科学制定病害防治策略提供有效的技术手段。

【文章页数】：8 页

【部分图文】：

图1神经结构搜索框图Fig1Theblockdiagramofneuralarchitecturesearch

提出一种基于神经结构搜索的植物叶片病害识别方法，该方法能依据数据集学习合适的网络结构。采用PlantVillage公共数据集进行神经结构搜索，对搜索到的最优网络模型进行测试和分析，以期能够实现植物叶片病害的准确识别，为科学制定病害防治策略提供有效的技术手段。1植物病害识别方法1.....

Note:Thedashedboxrepresentstheneuralarchitecturesearch.图2基于神经结构搜索的植物叶片病害识别方法框图注：虚线框表示神经

农业工程学报（http://www.tcsae.org）2020年168数，选择Upper-confidencebound（UCB）作为采集函数，定义为()()()fffyy（2）其中Cost(,)fyfD，D是神经结构搜索的输入数据，是平衡系数，()fy和()fy分别是fy的后....

图4原始训练数据与经过处理后达到平衡的训练数据对比Fig4Comparisonbetweentheoriginaltrainingdataandthe

第16期黄建平等：基于神经结构搜索的多种植物叶片病害识别169各不相等，其数据分布如图4所示。为了分析数据平衡是否对神经结构搜索产生影响，将训练数据进行过采样与亚采样处理，使训练数据的每个类别数目在1500左右，处理前后的训练数据数量统计如图4所示。同时，为研究神经结构搜索方法在....

图6NAS在不同搜索时间的模型测试结果Fig.6TestresultsofmodelswithdifferentsearchingtimeforNAS

第16期黄建平等：基于神经结构搜索的多种植物叶片病害识别169各不相等，其数据分布如图4所示。为了分析数据平衡是否对神经结构搜索产生影响，将训练数据进行过采样与亚采样处理，使训练数据的每个类别数目在1500左右，处理前后的训练数据数量统计如图4所示。同时，为研究神经结构搜索方法在....

本文编号：4013572