基于多层EESP深度学习模型的农作物病虫害识别方法

发布时间：2021-08-28 02:09

　　为了提取图像高层语义特征、解决各种植物病虫害图像尺寸不相同的问题,提出了多层次增强高效空间金字塔（Extremely efficient spatial pyramid,EESP）卷积深度学习模型。首先,对图像进行预处理;其次,构建多层融合EESP网络模型,该模型通过对每层设置不同的空洞率进行空洞卷积,选择性地提取不同层次的特征信息,通过融合各层信息获得各种农作物病虫害图像的不同特征;最后,通过Softmax分类方法实现农作物病虫害识别。数据集包括10种农作物的61种病虫害类别,迭代训练300次,得到本文方法 Top1分类准确率最高达到了88.4%,且采用三阶EESP模型达到了最佳效果。 

【文章来源】：农业机械学报. 2020,51(08)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

空洞卷积

传统卷积是同时考虑区域和通道的，而在可分离卷积中，可将区域和通道分开计算，先进行卷积计算，再进行通道数转换[16]，如图2所示。比如，假设一个n×n的滤波器，其输入通道数为c，输出通道数为c"。传统卷积的参数量为n2cc"，而采用可分离卷积，参数量仅需n2c+cc"=(n2+c")c，随着输出通道数增多，参数量增长趋势变慢。2 基于EESP模型的农作物病虫害识别过程

本研究基于深度学习方法对农作物病虫害图像进行分类识别，首先加载数据集，对数据进行预处理，然后将图像送入构建的多层EESP网络进行训练，进行多层次特征提取，最后通过Softmax函数对获取到的特征进行病虫害种类识别。基本流程如图3所示，其中，Pn表示预测为第n种病虫害的概率。2.1 基于重采样的数据预处理

【参考文献】：
期刊论文
[1]农作物科学种植及病虫害防治技术浅析[J]. 杨舒广.  农家参谋. 2019(19)
[2]基于深度学习的农作物病虫害图像识别技术研究进展[J]. 贾少鹏,高红菊,杭潇.  农业机械学报. 2019(S1)
[3]基于深度学习的农作物病害检测[J]. 魏超,范自柱,张泓,王松.  江苏大学学报(自然科学版). 2019(02)
[4]农作物病虫害图像识别技术的研究综述[J]. 汪京京,张武,刘连忠,黄帅.  计算机工程与科学. 2014(07)
[5]基于图像和光谱信息融合的病虫害叶片检测系统[J]. 谢春燕,吴达科,王朝勇,李岩.  农业机械学报. 2013(S1)

博士论文
[1]不均衡数据分类方法的研究[D]. 曹鹏.东北大学 2014



本文编号：3367569