深度卷积神经网络在玉米叶片病害识别中的应用研究

发布时间：2020-04-17 17:17

【摘要】：在中国,玉米的种植面积广、总产量高,对于国民经济而言它是一种重要的粮食作物和饲料作物。但是,由于耕作栽培制度的改变、病原菌品种的变异、植物保健措施的不健全等原因造成玉米叶片病害危害程度逐年加重,种类也逐年增多。此问题一直制约着玉米产量的提高,并且给农民带来了极大的经济损失。因此,对玉米病害的识别问题越来越成为人们关注的焦点。传统的识别方式采用肉眼观察法,较多依靠农技人员的个人经验。这种方法对病害判断起来速度稍慢、识别精确度较低,在很大程度上依赖于人的主观判断,并且也不能满足实时性的需求;有的方法先对图像进行预处理,再利用支持向量机(Support Vector Machine,SVM)、概率神经网络(Probabilistic Neural Network,PNN)等机器学习方法完成病害的分类。此类方法先对图像进行预处理,处理过程复杂,耗时较长且识别精确度有提升空间。所以,及时准确的对玉米叶片的病害进行诊断不仅能够降低不必要的财政开支和资源消耗,而且还能够在多变的环境下获得较可观的玉米产量。本文基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)算法,实现玉米叶片病害的识别研究。主要包含以下工作:(1)研究深度卷积神经网络模型结构的改变对于玉米叶片病害识别精确度的影响,如:改变不同的池化组合方式、添加ReLU函数以及dropout操作(探究不同dropout阈值对模型性能的影响情况)、选择合适的分类器对结果进行分类等,讨论对于Cifar10和GoogLeNet模型的改进,改进后GoogLeNet模型的top-1平均识别准确率达到98.9%,Cifar10模型的平均准确度达到98.8%,改进后的模型较改进前具有更好的识别精确度和更低的模型损失。(2)研究当数据集中图像数量一定时,利用超参数调整技巧调整超参数后,模型性能变化情况,调整的超参数包括:“Train batch_size”、“Test batch_size”、“lr_policy”、“base_lr”和“weight_decay”。此研究基于CNN模型:AlexNet、GoogLeNet和ResNet18。利用以上三种结构训练和测试玉米叶片图像数据集时,在模型超参数调整后,测试精确度平均分别提高6.075%、6.05%和6.4%;泛化测试准确度平均分别提高12.85%、7.025%和11.95%。(3)研究利用数据增强技术对原始1129张训练图像数据进行2倍(2258张)、4倍(4516张)和8倍(9032张)不同比例扩大,固定测试图像数量为400张,探究用于训练的图像数量对不同模型性能的影响。对于AlexNet、GoogLeNet、ResNet18模型,随着图像数量的增大,平均测试识别精确度分别从82.6%提升至93%、56.3%提升至91.8%、85.6%提升至92%,网络的过拟合现象逐渐消失且模型性能更加稳定。(4)研究在图像数量不变和变化时,不同的网络结构(网络复杂程度、网络深度、网络包含参数个数等)作用于不同数据集时,模型的性能。实验结果表明,不同深度与复杂度的CNN模型作用于不同的数据集时,模型性能好坏与模型结构之间相关性较弱。
【图文】：

激活函数,感知机

(a) 阶跃函数 (b) sigmoid 函数(a) step function (b) sigmoid function图 2-2 激活函数Figure 2-2 Activation function 感知机与多层网络 2-3 表示一个简单的感知机，它由两层简单的神经元组成。在感知机中，，外界层来接收，简单处理后再传递给由 M-P 神经元构成的输出层。在图 2-3 中，ixi 表示权重，y 表示输出。yw1 w2输入层输出层

线性可分,“与”,超平面,感知机

东北农业大学工学硕士学位论文知机对训练样本( x, y )预测，当结果预测正确时，即 y = y，感知机不会发生变化，当误时，权重将根据错误程度进行自动调整。在实际研究中，为了克服感知机的学习能力的局限性，研究人员提出了一个新的概超平面”。在实际运用中，线性超平面会划分线性可分与线性不可分两种模式。由于、非都是线性可分的问题，皆存在一个线性超平面如图 2-4 (a) (c)所示。
【学位授予单位】：东北农业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;S435.131

【相似文献】