基于卷积神经网络的草莓病虫害识别与应用

发布时间：2021-01-12 08:09

　　我国已是草莓生产消费第一大国,草莓种植业为我国农业发展的重点之一。合理监控和防治草莓病虫害,使草莓增产、多产是提高草莓总产量的最基本的方法。传统的人工检查病虫害方法依赖检测人员的专业知识,而且检测过程效率不高、实时性差,容易存在各种因素而导致的误差。根据以上问题,本文提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的草莓病虫害图像分类算法,将注意力机制（Attention）和中心损害函数（Center-loss）引入经典的卷积神经网络,解决现有卷积神经网络分类方法中特征关键区域信息丢失较大,影响分类的效果的问题,进一步提高卷积神经网络在图像分类中的准确率。论文主要工作包含如下2方面:（1）提出了一种基于注意力机制和中心损失函数的深度图像分类算法。具体地,为了关注并提取图像中重点区域特征信息,将注意力机制引入经典的残差网络ResNet34,为了减少图像特征提取过程中信息丢失,将中心损失函数引入经典的残差网络ResNet34,进而提出一种基于注意力机制和中心损失函数的深度图像分类算法。为了验证本文算法的性能,将该算法分别与经典卷积神经网络Alex... 

【文章来源】：重庆三峡学院重庆市

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

神经元模型

8图2.2感知器模型将图2.2的文字用数学的方式来表达得到以下计算式：=（+∑（×））式(2.2)感知器类似一个逻辑回归模型，它的权值由训练获得，非线性函数f()可以是sigmoid函数、径向基函数[51]、tanh(x)函数等。2.2.3多层感知器多层感知器(MultilayerPerceptron,MLP)是在感知器的基本构造上再增加上一层或多层中间层，由输入层、中间层（隐藏层）、输出层共三部分所组成，其中中间层和输出层都会进行计算工作。多层感知器中，中间层和输出层的每一个神经元都与相邻层的所有神经元相连接，这种特征被称为全连接，它的模型图如下：图2.3多层感知觉模型多层感知器理论上能无限逼近任意连续数，即可以分类解决更复杂的线性不可分问题。为使训练时的损失为最小，经常采用梯度下降、反向传播等算法来进行优化；为提升测试时的预测效果也会采用权重衰减等正则化方法。2.3深度学习深度学习代表了一系列新型多层神经网络计算方法，含多中间层的多层感知器就是一种深度学习结构。人工神经网络的研究发展促进深度学习概念的诞生，它的提出解决了传统神经网络算法——BP算法[52]训练结果耗时长、局部最优解

10图2.4卷积神经网络结构2.4.1卷积层卷积层(convolutionallayer)的基本单位称作卷积单元，每个卷积单元由多个神经元组成。卷积单元的神经元通过卷积核和输入的局部像素相连，以此来获得局部像素的特征，输出至下一层。卷积核又称滤波器（filter），通常为大小是n*m的权值矩阵，其中n和m是感受野。图2.5卷积过程图如上图2.5所示，左边输入一个5*5大小的图像，用3*3的过滤器来进行卷积运算，最终生成一个大小是3*3的卷积特征图像。假设有图像大小n*n，使用f*f的过滤器进行步幅为s卷积，为了避免丢失图像边缘信息，额外添加一个填充（padding）操作，填充像素为p，最终输出维度o大小如下：=（）+1式(2.3)


本文编号：2972483