基于改进深度残差网络的番茄病害图像识别

发布时间：2021-11-01 15:54

　　针对大多数深度卷积神经网络（DCNN）模型存在内存占用较多、计算资源消耗大的问题,提出一种基于改进深度残差网络（DRN）的番茄病害图像识别方法。该网络模型在传统残差神经网络的基础上,采用多尺度卷积代替原始网络结构中的单一尺度卷积,使得提取的特征更加丰富,并拓展了网络宽度,避免因网络过深引起的退化问题。为了进一步降低模型对内存占用的需求,用深度可分离卷积替换部分标准卷积,在不损失网络性能的前提下减少模型参数。为验证改进后深度残差网络模型提升番茄病害识别性能的有效性,对获得的有限番茄病害叶片图像数据集进行了样本扩充,并基于扩充后的数据集使用改进模型与几个常见深度神经网络模型进行对比实验。结果表明,改进后的深度残差网络模型可以很好地实现番茄病害的识别,平均测试识别准确率达到98.58%,且训练后的模型仅占19.0 MB,有助于将来在低性能终端上实现对番茄病害的实时诊断。 

【文章来源】：计算机应用. 2020,40(S1)北大核心CSCD

【文章页数】：6 页

【部分图文】：

“Block”结构

PlantVillage网站（www.PlantVillage.org）提供了一个可供免费访问的开放式数据库，该数据库收集了14种植物健康和病害的可见光叶片图像，共有50 000多张，其中包含了38种类别标签。从这个数据库中，本文只提取番茄叶片的图像，一共分为10个类别，包括9种病害和健康叶片，图像总数为18 160张，作为本文实验所需的番茄病害图片数据集。图1和表1给出了该数据集的示例样本以及详细信息。1.2 数据集预处理

ResNet的核心是“残差学习”模块的构建，通过快捷连接方式将网络学习目标变为最小化残差，从而解决深度网络中梯度无法有效传播的问题。为了适应不同深度的神经网络的需要，实际存在两种残差学习模块。如图2所示：（a）是普通的残差模块，被称为“building block”;(b）是为更深层次网络设计的残差模块“bottleneck building block”。普通残差学习模块一共为两层，而“bottleneck”残差模块包含三个卷积层，两个1*1的卷积和一个3*3的卷积。其中，两个1*1的卷积分别起到降维和升维的作用，在很大程度上降低了参数量和计算复杂度。残差神经网络能够解决网络过深引起的退化问题，因此可以通过构建更深层次的网络结构使网络获得更好的性能。目前残差神经网络在各种识别任务上表现优异，能获得较高的准确率，但考虑到实际应用中番茄病害识别的特殊性，残差神经网络仍然有一些不足：

【参考文献】：
期刊论文
[1]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青.  农业工程学报. 2018(18)
[2]基于叶片病斑特征的茄子褐纹病识别方法[J]. 田凯,张连宽,熊美东,黄志豪,李就好.  农业工程学报. 2016(S1)
[3]基于多分类器融合的玉米叶部病害识别[J]. 许良凤,徐小兵,胡敏,王儒敬,谢成军,陈红波.  农业工程学报. 2015(14)
[4]基于图像处理的温室大棚中番茄的病害识别[J]. 柴洋,王向东.  自动化技术与应用. 2013(09)



本文编号：3470384