基于改进SSD网络的西兰花叶片检测研究
发布时间：2021-03-04 11:21
实现对复杂环境下西兰花叶片的高精度检测,对西兰花病虫害的监测和防治具有重要意义。在田间复杂环境下叶片存在重叠或遮挡,增加了数据的获取成本,制约深度学习网络结构在田间复杂环境叶片检测上的应用。为此,提出基于改进SSD网络的西兰花叶片检测方法。通过特征辅助学习法更改训练集的组成,使SSD网络学习到较为完整的叶片边缘特征和叶片遮挡特征,采用数据增强和修改激活函数的方式构建模型。测试结果,单独叶片和植株叶片平均准确率为99.8%和89.9%,平均IOU为91.0%和84.2%,总体平均IOU和平均准确率分别为87.6%、94.9%。结果表明,使用小数据集进行西兰花叶片目标检测研究是可行的,可为农作物叶片检测研究提供参考。
【文章来源】：中国农机化学报. 2020,41(04)北大核心
【文章页数】：6 页
【部分图文】：
数据原图
本文采用如图2所示的改进SSD目标检测网络,该网络的输入数据为西兰花单独叶片和植株叶片数据,在模型训练前,对数据进行数据增强处理,并对所有数据缩小到模型规定尺度,同时调节SSD网络中的部分超参数。改进后的SSD网络数据增强方法增加了Random rotate和Random expand,卷积层有19层,包括13层VGG16的基础卷积层、2个全卷积层和4个多尺度特征提出卷积层,其中VGG16卷积层采用SAME卷积方式,卷积核大小为3×3dpi,输出卷积核数目为512,其他卷积层使用VALID卷积方式,Conv6、 Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2的卷积核数目分别为1 024、1 024、512、256、256、128,池化方式选用最大池化,同时加入L2正则化防止模型过拟合。在SSD网络中使用随机梯度下降化算法(Stochastic Gradient Descent,SGD)[14]作为优化算法,SGD每次迭代更新损失,不会有冗余的现象,因此训练速度快,其算法
训练用数据按照实验要求及目的分为三种训练集,分别为西兰花单独叶片训练集、植株叶片训练集、单独叶片和植株叶片混合训练集,其中单独叶片训练集和植株叶片训练集为200张单一数据,混合训练集单独叶片和植株叶片各100张数据。单独叶片和植株叶片分别选取200张数据作为测试集。模型检测效果评判主要以对不同类型叶片检测平均准确率和平均IOU为标准,同时总体平均IOU和总体平均准确率对模型辅助分析。模型检测效果展示如图3所示,其中红色框为改进SSD网络对目标的位置预测框,红框的左上角是对检测目标的分类和该类的准确度。通过不同模型对测试集测试结果统计得表1所示。表1 目标检测模型对比Tab. 1 Comparison of target detection models 模型 激活函数类型 检测类型 总体平均IOU 总体平均准确率 单独叶片 植株叶片 平均IOU 平均准确率 平均IOU 平均准确率 1 植株 Re LU 0.704 0.762 0.743 0.785 0.724 0.774 2 植株 Se LU 0.870 0.904 0.843 0.898 0.857 0.901 3 单叶 Re LU 0.919 0.997 0.749 0.620 0.834 0.809 4 单叶 Se LU 0.921 0.998 0.782 0.645 0.852 0.822 5 混合 Re LU 0.713 0.862 0.744 0.794 0.729 0.828 6 混合 Se LU 0.903 0.989 0.839 0.898 0.871 0.944 7 混合+增强补充 Re LU 0.909 0.997 0.842 0.898 0.876 0.948 8 混合+增强补充 Se LU 0.910 0.998 0.842 0.899 0.876 0.949 注:表中模型1、2的植株表示单一的植株叶片数据作为训练数据,而模型3、4的单叶即表示单一的单独叶片数据作为训练数据,模型5、6表示植株和单叶混合数据作为训练数据,模型7、8表示植株和单叶混合数据为训练数据,同时使用数据增强的补充方法。
【参考文献】：
期刊论文
[1]基于图像融合特征的番茄叶部病害的识别[J]. 郭小清,范涛杰,舒欣. 湖南农业大学学报(自然科学版). 2019(02)
[2]叶片直接PCR法在玉米转基因快速检测中的应用[J]. 赵冰兵,任雯,周秒依,李韩帅,刘亚,白琪林. 山西农业科学. 2019(04)
[3]基于卷积神经网络的脐橙品质分类研究[J]. 朱冬梅,王敏. 赣南师范大学学报. 2018(06)
[4]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
[5]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟. 农业工程学报. 2018(05)
[6]改进的ELU卷积神经网络在SAR图像舰船检测中的应用[J]. 白玉,姜东民,裴加军,张宁,白郁. 测绘通报. 2018(01)
[7]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙. 农业工程学报. 2017(19)
[8]梨属植物叶片色泽多样性分析[J]. 马春晖,李鼎立,王然. 植物遗传资源学报. 2014(06)
[9]复杂背景下的大豆叶片识别[J]. 汤晓东,刘满华,赵辉,陶卫. 电子测量与仪器学报. 2010(04)
本文编号：3063125
【文章来源】：中国农机化学报. 2020,41(04)北大核心
【文章页数】：6 页
【部分图文】：
数据原图
本文采用如图2所示的改进SSD目标检测网络,该网络的输入数据为西兰花单独叶片和植株叶片数据,在模型训练前,对数据进行数据增强处理,并对所有数据缩小到模型规定尺度,同时调节SSD网络中的部分超参数。改进后的SSD网络数据增强方法增加了Random rotate和Random expand,卷积层有19层,包括13层VGG16的基础卷积层、2个全卷积层和4个多尺度特征提出卷积层,其中VGG16卷积层采用SAME卷积方式,卷积核大小为3×3dpi,输出卷积核数目为512,其他卷积层使用VALID卷积方式,Conv6、 Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2的卷积核数目分别为1 024、1 024、512、256、256、128,池化方式选用最大池化,同时加入L2正则化防止模型过拟合。在SSD网络中使用随机梯度下降化算法(Stochastic Gradient Descent,SGD)[14]作为优化算法,SGD每次迭代更新损失,不会有冗余的现象,因此训练速度快,其算法
训练用数据按照实验要求及目的分为三种训练集,分别为西兰花单独叶片训练集、植株叶片训练集、单独叶片和植株叶片混合训练集,其中单独叶片训练集和植株叶片训练集为200张单一数据,混合训练集单独叶片和植株叶片各100张数据。单独叶片和植株叶片分别选取200张数据作为测试集。模型检测效果评判主要以对不同类型叶片检测平均准确率和平均IOU为标准,同时总体平均IOU和总体平均准确率对模型辅助分析。模型检测效果展示如图3所示,其中红色框为改进SSD网络对目标的位置预测框,红框的左上角是对检测目标的分类和该类的准确度。通过不同模型对测试集测试结果统计得表1所示。表1 目标检测模型对比Tab. 1 Comparison of target detection models 模型 激活函数类型 检测类型 总体平均IOU 总体平均准确率 单独叶片 植株叶片 平均IOU 平均准确率 平均IOU 平均准确率 1 植株 Re LU 0.704 0.762 0.743 0.785 0.724 0.774 2 植株 Se LU 0.870 0.904 0.843 0.898 0.857 0.901 3 单叶 Re LU 0.919 0.997 0.749 0.620 0.834 0.809 4 单叶 Se LU 0.921 0.998 0.782 0.645 0.852 0.822 5 混合 Re LU 0.713 0.862 0.744 0.794 0.729 0.828 6 混合 Se LU 0.903 0.989 0.839 0.898 0.871 0.944 7 混合+增强补充 Re LU 0.909 0.997 0.842 0.898 0.876 0.948 8 混合+增强补充 Se LU 0.910 0.998 0.842 0.899 0.876 0.949 注:表中模型1、2的植株表示单一的植株叶片数据作为训练数据,而模型3、4的单叶即表示单一的单独叶片数据作为训练数据,模型5、6表示植株和单叶混合数据作为训练数据,模型7、8表示植株和单叶混合数据为训练数据,同时使用数据增强的补充方法。
【参考文献】：
期刊论文
[1]基于图像融合特征的番茄叶部病害的识别[J]. 郭小清,范涛杰,舒欣. 湖南农业大学学报(自然科学版). 2019(02)
[2]叶片直接PCR法在玉米转基因快速检测中的应用[J]. 赵冰兵,任雯,周秒依,李韩帅,刘亚,白琪林. 山西农业科学. 2019(04)
[3]基于卷积神经网络的脐橙品质分类研究[J]. 朱冬梅,王敏. 赣南师范大学学报. 2018(06)
[4]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
[5]基于卷积神经网络提取多尺度分层特征识别玉米杂草[J]. 王璨,武新慧,李志伟. 农业工程学报. 2018(05)
[6]改进的ELU卷积神经网络在SAR图像舰船检测中的应用[J]. 白玉,姜东民,裴加军,张宁,白郁. 测绘通报. 2018(01)
[7]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙. 农业工程学报. 2017(19)
[8]梨属植物叶片色泽多样性分析[J]. 马春晖,李鼎立,王然. 植物遗传资源学报. 2014(06)
[9]复杂背景下的大豆叶片识别[J]. 汤晓东,刘满华,赵辉,陶卫. 电子测量与仪器学报. 2010(04)
本文编号：3063125
本文链接：https://www.wllwen.com/nykjlw/yylw/3063125.html
