基于one-shot学习的果蔬疾病识别研究

发布时间：2020-06-18 13:46

【摘要】：基于深度学习的植物疾病识别是现代农业研究领域的热点。事实上,植物疾病发病率小、发病周期长、数据采集成本高等问题,导致采集数据的样本偏少。而深度学习网络模型训练依靠大数据集,数据集过小会影响模型在植物疾病领域的应用。但迁移学习方法能够从已知较大的数据集上学习知识特征,并将知识特征迁移到数据相对较少的数据集上。然而,对于单样本数据的识别,使用迁移学习方法识别精确率较低。本文提出一种基于one-shot学习的果蔬疾病识别方法,解决由于果蔬疾病样本数量较少,而导致神经网络模型识别率较低的问题。以公开数据集PlantVillage中8类数据较少的果蔬疾病图像作为研究对象。使用焦点损失函数(focal loss,FL)代替均方误差损失函数(mean square error,MSE)训练基于关系网络的果蔬疾病分类器。在训练时,调节焦点损失函数超参数使模型聚焦于难识别的正样本,从而提高果蔬疾病识别精确率。在3-way,1-shot任务中,该方法的识别精确率达到91.64%,相比使用均方误差损失函数(mean square error,MSE)的关系网络模型精确率提高1.41%。在5-way,1-shot任务中,识别精确率提高了 4.69%。与匹配网络(Matching Network)和迁移学习相比,此方法能有效解决果蔬疾病训练样本较少导致识别率低的问题。将模型部署到服务器端,可对小样本果蔬疾病进行实时识别。
【学位授予单位】：北京林业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;S436
【图文】：

卷积,步幅,近邻算法,滤波器

逦２邋Ｏｎｅ－ｓｈｏｔ学习相关技术逦逡逑数构建不同的分类模型，如无参估计方法Ｋ－紧邻算法、余弦距离、欧氏距离等学习逡逑一种线性的分类器。还有通过自动学习端到端的紧邻算法，生成…个可自动学习的线逡逑性分类器。逡逑Ｋｏｒｃｈ邋等（Ｋｏｃｈ邋Ｇ、Ｚｅｍｅｌ邋Ｒ邋等，２０１５）提出具有监督的孪生网络（Ｓｉａｍｅｓｅ邋Ｎｅｔｗｏｒｋ），逡逑它主要控制输入数据的结构自动学习新类别的特征，并将学习的新特征应用于ｏｎｅ－逡逑ｓｈｏｔ邋学习邋。孪生网络通过近邻算法计算不同类别成对图像的距离，以此判断成对图像逡逑是否为同类。孪生网络由多个卷积层和池化层组成如图２．２所示，每个卷积层使用具逡逑有不同滤波器和固定步幅的单通道。网络模型使用ＲｅＬＵ邋（ｒｅｃｔｉｆｉｅｄ邋ｌｉｎｅａｒｕｎｉｔｓ）激活逡逑函数输出特征映射，最大采样层的滤波器大小和步幅大小均为２。最后－个卷积层被逡逑平展为一个向量输入到全连接层，然后计算距离，通过ｓｉｇｍｏｉｄ函数输出一个０到１逡逑的概率作为两个样本的相似情况。逡逑特征向摪逡逑

场景,循环神经网络,嵌入空间,近邻算法

Ｆｉｇｕｒｅ邋２．３邋Ｐｒｏｔｏｔｙｐｉｃａｌ邋Ｎｅｔｗｏｒｋ邋ｉｎ邋ｔｈｅ邋ｆｅｗ－ｓｈｏｔ邋ｓｃｅｎａｒｉｏｓ逡逑复杂的推理机制、复杂的循环神经网络架构和微调嵌入特征。Ｓｕｎｇ等（Ｓｕｎｇ邋Ｆ、Ｙａｎｇ邋Ｙ等，２０１７））模型，此模型能够通过图像之间的关系自动学习性分类器，使ｏｎｅ－ｓｈｏｔ学习任务更加简单。关系网络模块（ｅｍｂｅｄｄｉｎｇ邋ｍｏｄｕｌｅ）和关系模块（ｒｅｌａｔｉｏｎ邋ｄｅ训练策略，避免使用复杂的循环神经网络。孪生学习嵌入空间，此嵌入空间使用固定的近邻算法或系网络主要根据两个样本的特征相似情况，推理它，深度学习模型需要对模型重新训练。而本文的主模型的条件下，使神经网络模型自动识别样本较少一一，

【相似文献】