基于深度学习的农作物病害叶片的图像超分辨率重建

发布时间：2021-10-24 10:50

　　为了降低农作物病害所带来的损失,借助计算机对农作物病害叶片图像进行图像超分辨率重建具有重要意义。针对基于农作物病害叶片图像的超分辨率重建问题,引入了基于深度学习的农作物病害叶片图像超分辨率重建方法。通过实验将基于深度学习的超分辨率重建方法与两个传统方法 Bicubic和ScSR做了对比,实验结果表明,两个传统方法的PSNR值均未超过15,且SSIM值均未超过0.6。而基于深度学习的网络模型LapSRN、DSRNLP和SERS所得出的PSNR值均接近30,SSIM值均超过了0.6,相比传统方法,性能得到明显提升。 

【文章来源】：黑龙江八一农垦大学学报. 2020,32(02)

【文章页数】：9 页

【部分图文】：

LapSRN结构图

图2所示是DSRNLP模型架构，该模型采用局部残差学习和全局残差学习相结合的方法。在每一模块中，DSRNLP按照残余模块的设计，叠加两个卷积层和一个激发层，另外增加了跳跃连接，形成局部残差学习。全局残差学习主要用于图像重构。DSRNLP建立了一个具有紧密连接结构的模型。低水平卷积特征传递到上层并与之连接，叠加信道，充当信号增益。在实验中，DSRNLP还使用了一个1×1卷积层来构造过渡层，该过渡层将附加的多通道特征映射返回指定的通道数，然后输出到反卷积模块进行上采样。实验中使用的模型包含8个单元，每个单元含有2个递归模块。网络结构中的激活函数使用LeakyReLU。与传统的Sigmoid算法相比，该算法能有效地防止梯度传输中的梯度消失现象，有利于深层叠加卷积网络的训练。图3 SERS结构图

图2 DSRNLP结构图在早期的研究中，超分辨率尺度通常是固定的，如果需要多次放大，则需要对多个模型进行训练。为了使同一个网络能够同时训练，包括多次训练，DSRNLP使用了拉普拉斯金字塔结构（Laplacian Pyramid），如图4所示。

【参考文献】：
期刊论文
[1]一种用于农作物叶部病害图像识别的双权重协同表示分类方法[J]. 杜海顺,蒋曼曼,王娟,王胜.  计算机科学. 2017(10)
[2]基于深度学习的图像超分辨率复原研究进展[J]. 孙旭,李晓光,李嘉锋,卓力.  自动化学报. 2017(05)
[3]农作物病虫害预报方法研究综述[J]. 马宁,孟志军,王培,梁勇.  黑龙江八一农垦大学学报. 2016(01)
[4]水稻稻瘟病图像识别预处理方法研究[J]. 路阳,邵庆,张楠,许善祥,刘德福.  黑龙江八一农垦大学学报. 2011(04)
[5]基于机器视觉的农田作物识别算法的研究[J]. 袁忠兴,谭峰,尚廷义.  黑龙江八一农垦大学学报. 2008(06)

硕士论文
[1]稀疏表示框架下的农作物病害图像识别方法研究[D]. 蒋曼曼.河南大学 2017
[2]基于多分类器选择集成的农作物叶部病害识别研究[D]. 陈红波.合肥工业大学 2015



本文编号：3455152