多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法
发布时间：2022-01-06 22:02
黄瓜病害叶片中的病斑区域分割是病害检测与类型识别的关键步骤,分割效果将直接影响病害检测和识别的精度。针对传统方法对于黄瓜病害叶片图像分割精度低和泛化能力弱等问题,提出一种基于多尺度融合卷积神经网络（Multi-ScaleFusionConvolutionalNeuralNetworks,MSF-CNNs）的黄瓜病害叶片分割方法。MSF-CNNs由编码网络（EncoderNetworks,ENs）和解码网络（DecoderNetworks,DNs）两部分组成,其中ENs为一个多尺度卷积神经网络组成,用于提取病害叶片图像的多尺度信息;DNs基于九点双线性插值算法,用于恢复输入图像的尺寸和分辨率。在MSF-CNNs模型训练的过程中,使用一种渐进微调的迁移学习方法加速模型的训练,提高模型的分割精度。在复杂背景下的作物病害叶片图像数据库上进行病害叶片图像分割试验,并与现有的分割方法全卷积网络（FullyConvolutional Networks,FCNs）、Seg Net、U-Net、Dense Net进行比较。结果表明,该MSF-CNNs能够满足复杂环境下的黄瓜病害叶片图像分割需求,像素分类...
【文章来源】：农业工程学报. 2020,36(16)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
不同环境下黄瓜病害叶片图像d.叶片残缺d.Incompleteleafe.叶片黏连e.Leafadhesionf.光照复杂f.Complexlighting
构。由于作物病害叶片的病斑区域尺寸不一致，因此在MSF-CNNs中引入多尺度卷积核结构，该结构是通过在网络卷积层中使用多个尺度不同的卷积核对输入图像进行多尺度特征提取，然后通过特征融合层对多尺度特征图进行空间融合。多尺度卷积层包括尺度不同的卷积核与特征平面组成多尺度特征信息，当低层特征图的信息输入到高层时，在高层中分别使用不同尺寸的卷积核对低层特征图进行卷积操作，同时为了确保多尺度卷积核的输入与输出之间的空间特征信息不变，特征图则依据卷积核尺寸的大小进行边缘填补。多尺度卷积核结构如图3所示，包含了4种不同尺寸的卷积核，其尺寸大小分别为9×9、7×7、5×5和3×3的卷积核。注：Conv1、Conv2和Conv3分别为第一层、第二层和第三层的卷积操作；2×2和3×3表示池化区域大校Note:Conv1,Conv2andConv3representtheconvolutionoperationsofthreeconvolutionallayers,respectively;2×2and3×3representthesizeofthepoolingarea.图3多尺度卷积核结构Fig.3Multi-scaleconvolutionalkernelstructure3）批归一化（BatchNormalization，BN）。BN是Google于2015年提出的用于深度神经网络训练的技巧，它不仅可以加快模型的收敛速度，而且在一定程度上缓解了训练过程中的过拟合问题，从而使得训练深层网络模型更加容易和稳定。BN算法主要包括以下3个步骤：步骤1：计算统计值。计算样本数据集归一化所需的均值和方差。假设输入为mdxR，其中m表示当前批次的大小，即当前批次的训练样本数，d表示输入特征图的尺寸，则方差均值如式（4）所示1211()1Var()(())mkkiimkkkiiExxmxxExm
第16期张善文等：多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法153图4基于渐进式微调的迁移学习训练流程Fig.4Transferlearningtrainingprocessbasedonincrementalfine-tuning5）全新学习。全新学习是指对网络模型的所有权重参数进行重新训练，随机初始化网络权重参数，使用概率分布对参数赋予初值，在训练的过程中通过反向传播算法对权重参数进行优化。尽管能够有效减少模型的训练时间，提高学习能力，但没有进一步探讨特征等级与样本数据大小和特征相似性之间的关系。全新学习能够克服迁移学习的不足。2试验结果及分析为了验证MSF-CNNs的有效性，将MSF-CNNs应用于黄瓜病害叶片图像分割，并与其他模型进行比较。网络模型训练与测试的软件环境为Ubuntu16.04LTS64位操作系统，使用python作为编程语言，Tensorflow作为深度学习开源框架。试验硬件环境为IntelE5-2665C2@3.20GHzCPU，64GB内存；Nvidia1070Ti，8GB显存。使用CUDAToolkit9.0和CUDNNV8.0作为网络模型训练加速工具包；python版本为3.5，Tensorflow版本为1.9.0。在网络模型的训练过程中首先将训练集和测试集图像分为多个批次（batch），综合考虑计算机的硬件环境，本研究在试验过程中将批次大小设置为64，将所有训练集图像在网络模型中完成遍历设置为一次迭代（epoch）。设置网络模型初始学习率为0.01，正则化系数设置为0.001，随着epoch次数的增加，学习率遵循指数衰减的原则依次减小为原来的0.05倍。使用贝叶斯函数对网络模型权重参数进行初始化，随机生成均值为0，方差为1，遵循正态分布的权重参数。2.1MSF-CNNs训练过程分析作物叶部病害数据集中对全新学?
【参考文献】：
期刊论文
[1]病害特征在作物病害识别中的应用研究综述[J]. 刁智华,袁万宾,刁春迎,毋媛媛. 江苏农业科学. 2019(05)
[2]基于深度卷积神经网络的玉米病害识别[J]. 刘永波,雷波,曹艳,唐江云,胡亮. 中国农学通报. 2018(36)
[3]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)
[4]基于MDMP-LSM算法的黄瓜叶片病斑分割方法[J]. 江海洋,张建,袁媛,何绵涛,郑守国. 农业工程学报. 2012(21)
本文编号：3573243
【文章来源】：农业工程学报. 2020,36(16)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
不同环境下黄瓜病害叶片图像d.叶片残缺d.Incompleteleafe.叶片黏连e.Leafadhesionf.光照复杂f.Complexlighting
构。由于作物病害叶片的病斑区域尺寸不一致，因此在MSF-CNNs中引入多尺度卷积核结构，该结构是通过在网络卷积层中使用多个尺度不同的卷积核对输入图像进行多尺度特征提取，然后通过特征融合层对多尺度特征图进行空间融合。多尺度卷积层包括尺度不同的卷积核与特征平面组成多尺度特征信息，当低层特征图的信息输入到高层时，在高层中分别使用不同尺寸的卷积核对低层特征图进行卷积操作，同时为了确保多尺度卷积核的输入与输出之间的空间特征信息不变，特征图则依据卷积核尺寸的大小进行边缘填补。多尺度卷积核结构如图3所示，包含了4种不同尺寸的卷积核，其尺寸大小分别为9×9、7×7、5×5和3×3的卷积核。注：Conv1、Conv2和Conv3分别为第一层、第二层和第三层的卷积操作；2×2和3×3表示池化区域大校Note:Conv1,Conv2andConv3representtheconvolutionoperationsofthreeconvolutionallayers,respectively;2×2and3×3representthesizeofthepoolingarea.图3多尺度卷积核结构Fig.3Multi-scaleconvolutionalkernelstructure3）批归一化（BatchNormalization，BN）。BN是Google于2015年提出的用于深度神经网络训练的技巧，它不仅可以加快模型的收敛速度，而且在一定程度上缓解了训练过程中的过拟合问题，从而使得训练深层网络模型更加容易和稳定。BN算法主要包括以下3个步骤：步骤1：计算统计值。计算样本数据集归一化所需的均值和方差。假设输入为mdxR，其中m表示当前批次的大小，即当前批次的训练样本数，d表示输入特征图的尺寸，则方差均值如式（4）所示1211()1Var()(())mkkiimkkkiiExxmxxExm
第16期张善文等：多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法153图4基于渐进式微调的迁移学习训练流程Fig.4Transferlearningtrainingprocessbasedonincrementalfine-tuning5）全新学习。全新学习是指对网络模型的所有权重参数进行重新训练，随机初始化网络权重参数，使用概率分布对参数赋予初值，在训练的过程中通过反向传播算法对权重参数进行优化。尽管能够有效减少模型的训练时间，提高学习能力，但没有进一步探讨特征等级与样本数据大小和特征相似性之间的关系。全新学习能够克服迁移学习的不足。2试验结果及分析为了验证MSF-CNNs的有效性，将MSF-CNNs应用于黄瓜病害叶片图像分割，并与其他模型进行比较。网络模型训练与测试的软件环境为Ubuntu16.04LTS64位操作系统，使用python作为编程语言，Tensorflow作为深度学习开源框架。试验硬件环境为IntelE5-2665C2@3.20GHzCPU，64GB内存；Nvidia1070Ti，8GB显存。使用CUDAToolkit9.0和CUDNNV8.0作为网络模型训练加速工具包；python版本为3.5，Tensorflow版本为1.9.0。在网络模型的训练过程中首先将训练集和测试集图像分为多个批次（batch），综合考虑计算机的硬件环境，本研究在试验过程中将批次大小设置为64，将所有训练集图像在网络模型中完成遍历设置为一次迭代（epoch）。设置网络模型初始学习率为0.01，正则化系数设置为0.001，随着epoch次数的增加，学习率遵循指数衰减的原则依次减小为原来的0.05倍。使用贝叶斯函数对网络模型权重参数进行初始化，随机生成均值为0，方差为1，遵循正态分布的权重参数。2.1MSF-CNNs训练过程分析作物叶部病害数据集中对全新学?
【参考文献】：
期刊论文
[1]病害特征在作物病害识别中的应用研究综述[J]. 刁智华,袁万宾,刁春迎,毋媛媛. 江苏农业科学. 2019(05)
[2]基于深度卷积神经网络的玉米病害识别[J]. 刘永波,雷波,曹艳,唐江云,胡亮. 中国农学通报. 2018(36)
[3]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)
[4]基于MDMP-LSM算法的黄瓜叶片病斑分割方法[J]. 江海洋,张建,袁媛,何绵涛,郑守国. 农业工程学报. 2012(21)
本文编号：3573243
本文链接：https://www.wllwen.com/wenshubaike/kaixinbaike/3573243.html
