基于实例和参数迁移的农作物病害图像识别研究

发布时间：2020-06-30 22:29

【摘要】：在农作物栽培过程中,及时有效地诊断作物病害是保证作物健康生长的关键环节。目前人工诊断是最常用的方法,基于传统机器学习的方法也在迅速发展。然而,人工诊断往往存在主观性;基于传统机器学习的病害图像识别方法需要满足训练数据与测试数据是同分布的假设,并且训练分类器时需要充足的训练数据。在实际应用中,一方面,有些病害种类的图像收集和标记成本较高,因此很难满足传统机器学习的两个要求;另一方面,存在其他数量较多的作物病害图像数据或者与病害图像数据相关的数据。针对这样的问题,本文引入迁移学习的思想对黄瓜和水稻的几种病害进行识别研究。(1)针对某些数量较少的农作物病害图像采用传统机器学习方法训练难以取得理想效果的问题,提出一种基于实例迁移的农作物病害图像识别方法。为了实时、有效地分割出具有简单背景的黄瓜和水稻六种病害的病斑图像,文中采用双次Otsu的分割方法,每次选取不同颜色空间的分量进行图像的灰度转换。其次提取病斑图像的颜色、纹理和形状19个参数作为特征向量。重点分析TrAdaBoost算法存在的问题,设计了一种基于K近邻分类算法优化辅助病害数据的方法,从而降低冗余数据对分类结果的影响。结果表明,提出的方法能过滤与目标数据相似度较低的辅助数据,同时能够挖掘与目标数据相似度较大的辅助数据中的有用知识,从而改善农作物病害图像的分类效果。(2)针对小样本的农作物病害图像采用卷积神经网络训练易产生过拟合的问题,提出一种基于卷积神经网络参数迁移的农作物病害图像识别方法。文中分别采取两种策略对具有复杂背景且尺寸大小不一致的黄瓜和水稻八种目标病害图像进行预处理,一种策略不改变目标数据的数量,另一种策略通过对图片进行两次裁剪操作实现目标数据数量上的扩充。基于AlexNet和VGGNet两种网络采用公开的PlantVillage数据集作为辅助数据训练两个预训练模型,结合批归一化和DisturbLabel算法优化两种网络模型,使用预处理后的目标数据集微调预训练模型。本文将提出的方法与无迁移学习的卷积神经网络训练方法和传统机器学习方法进行对比,实验表明提出的方法相比其他两种方法对八种病害图像分类的平均准确率提高了大约1%～9%。
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S432;TP391.41
【图文】：

类别,作物病害,小样本,分类问题

量机能够在小样本以及非线性分类问题上表现出较好的优势，因此常被应用于农逡逑作物病害图像识别领域。逡逑图２．２展示了两个类别二维线性可分的情况，图中符号＋和－代表两类训练样逡逑本，Ｌ为可以将两类正确分开的分类线，／＾和１２分别为各个类别中离分类线ｉ最近逡逑１４逡逑

神经元模型,激活函数

（１）神经元模型逡逑神经元是神经网络模型的基本单元。１９４３年，ＭｃＣｕｌｌｏｃｈ和Ｐｉｔｔｓ将生物神逡逑经网络的运作过程抽象为图２．３邋（ａ）的简单模型，被称为“Ｍ－Ｐ神经元模型”邋［５｜］。逡逑输入信号（々，心，通过具有权重的连接传递给神经元，其接逡逑收到的总信息值ＥＩＵｍｘ，？和其偏置项０进行比较后通过“激活函数”邋／（＿）的处理逡逑进行输出，即公式（２．５）所示。逡逑ｙ逦＝邋／（Ｓｒ＝ｉ邋ＷｉＸｉ邋－邋０）逦（２．５）逡逑Ｘ／逦ｙ逡逑、＼沙，逡逑ｌ今逦广逡逑Ｙ邋—邋Ｕ＇逦／逦Ｚ逡逑Ｘｉ逦Ｊ逦ｙ逡逑心逦，逡逑Ｘｎ逡逑（ａ）邋Ｍ－Ｐ神经元模型逦（ｂ）邋Ｓｉｇｍｏｉｄ函数逡逑图２．３神经元模型与激活函数逡逑Ｓｉｇｍｏｉｄ函数是实际应用中常被使用的一种激活函数，即公式（２．６）和图逡逑２．３邋（ｂ）所示。逡逑／⑴士逦（２．６）逡逑Ｓｉｇｍｏｉｄ激活函数可以将在较大范围内变化的输入值压缩到（０，邋１）范围然后逡逑输出

【相似文献】