田間小麥病害自動診斷系統(tǒng)-文庫吧
2025-07-21 09:40 本頁面
【正文】 證明了選擇性搜索的巨大成功（SS）（uijlings et al.，2013）在目標分割，似乎無力直接采用SS段現(xiàn)場圖像由于嚴重的重疊和交錯間作物的散漫。深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）一定程度上加速了計算機視覺的發(fā)展（krizhevsky et al.，2012；Simonyan和Zisserman，2014；Szegedy et al.，2015；sermanet et al.，2013；Girshick et al.，2014）。鑒于大量的訓(xùn)練數(shù)據(jù)和高性能計算應(yīng)用的基礎(chǔ)設(shè)施，可以帶來驚人的性能分類和目標檢測。當然，信息已經(jīng)應(yīng)用近年來在精準農(nóng)業(yè)領(lǐng)域。（DyrmCNN et al.，2016；grinblat et al.，2016）設(shè)計了他們的特定任務(wù)的應(yīng)用架構(gòu)進行植物分類。薩等。（2016）提出了一種多快rn模型，即DeepFruits，發(fā)揮實時水果檢測。此外，少量的研究主要集中在利用DCNN植物病害檢測。sladojevic等人。（2016）收集了3000個原葉圖像從互聯(lián)網(wǎng)對該數(shù)據(jù)庫進行數(shù)據(jù)增強的過程，然后建立了一個信息的自動分類與檢測13種不同類型的植物病害葉片圖像。同樣，Mohanty等人。（2016）訓(xùn)練數(shù)據(jù)集上的疾病和健康的植物葉片識別14種作物和26病54306圖像的應(yīng)用。然而，上述植物病害檢測的深層學(xué)習(xí)方法建立了它們在受控條件下采集的純圖像的深層識別模型，這些模型不適用于野生環(huán)境。此外，他們只是意識到了疾病的識別，卻沒有注意到疾病在哪里。MIL是Dietterich等人首先介紹。（1997）在弱標記情況下的藥物活性預(yù)測。為了減少繁瑣的人工標注盡可能同時實現(xiàn)目標定位，有些作品側(cè)重于組合學(xué)深密的框架（Pinheiro和collobert，2015；吳等人，2015）。吳等人。（2015）提出了一個假設(shè)，即所需的對象必須位于可以通過現(xiàn)成區(qū)域提議算法生成的所有區(qū)域建議中，例如SS。由于區(qū)域推薦算法的計算代價和葉子分布的復(fù)雜性，流行的區(qū)域分割或推薦方法可能會給實用性帶來麻煩。FCN是長等人首先提出了。（2015）語義分割。在本文中，一個新的函數(shù)是用來減少計算成本和執(zhí)行實例級疾病同時估計，這相當于一個滑動窗口操作對整個圖像?？傊?，很少有研究集中在復(fù)雜雜亂場景中田間原始圖像的作物病害識別和定位上，目前尚未有有效的田間作物病害圖像數(shù)據(jù)集。一方面，本系統(tǒng)針對田間小麥病害自動診斷，更貼近實際情況，為精準農(nóng)業(yè)提供技術(shù)支持和服務(wù)。另一方面，該wdd2017是首次提出在大田作物疾病數(shù)據(jù)集，這將建立一個基準對場疾病檢測和促進后續(xù)相關(guān)工作。因此，我們的工作對于進一步的研究是有價值的。（wdd2017）在作物病害診斷研究提供便利，相關(guān)數(shù)據(jù)已發(fā)布的公開和自由，如PlantVillage，其中包括超過50000個專業(yè)上注明健康和病葉作物圖像。然而，遺憾的是，在PlantVillage的所有圖像處理已成為理想狀態(tài)，很難以看到田間，即在一個純背景——作物葉片。據(jù)我們所知，迄今為止還沒有合適的田間作物病害診斷數(shù)據(jù)集。為此，本研究收集了9230種小麥圖像，在圖像級標注了7種小麥病害，包括健康的。收集的圖像就是小麥病害數(shù)據(jù)庫2017（wdd2017），實例wdd2017是圖1所示。注意，wdd2017已均勻分為5組進行交叉驗證，其中4組作為訓(xùn)練集和一組作為測試集。表1顯示了我們的wdd2017細節(jié)。表1中的6種病害是小麥的常見病，是導(dǎo)致小麥減產(chǎn)的主要原因。需要明確的是，我們的wdd2017具有以下特點：（1）每一個圖像在wdd2017幾乎只包含該圖像的注釋的一種疾病，（2）每一個圖像采集現(xiàn)場的情況下在后面沒有技術(shù)手段，保持捕捉環(huán)境的所有原始信息，（3）wdd2017涵蓋目前挑戰(zhàn)的小麥病害診斷如圖1所示，包括復(fù)雜的背景，不同的拍攝條件下，對疾病發(fā)展的不同階段的各種表征（疾病的早期、中期和晚期）和小麥不同疾病之間的相似。表1小麥病害數(shù)據(jù)庫的組成（2017 wdd2017）。小麥病害圖像分割圖像訓(xùn)練/測試白粉病350280/70黑穗病14551164/291黑箔條585468/117條銹病17551404/351葉枯病24551964/491葉銹病1110888/222健康小麥15201216/304。多示例學(xué)習(xí)集成（MIL）多示例學(xué)習(xí)（MIL）是一種弱監(jiān)督學(xué)習(xí)方法，它的目的是通過使用包而不是實例的注釋來減少標簽的工作量。在MIL設(shè)置中，一個類包含至少一個正實例的包被標記為正，而所有實例都為負的包被標記為負。對于分類任務(wù)，假設(shè)是從袋袋組反饋；K188。1；。..；吳，和BK的實例表示為bk1；。. . ；bknkg，在NK表示袋淺灘CK 2 F1實例的數(shù)量；。..；CG是袋BK類標簽，和CKJ 2 F1；。..；例如氮氣彈簧CG類標簽。該實例Bkj是C類記為PC KJ188。P240。CKJ188。cjbkj222。條件概率；C 2 F1；。..；CG。下一個工作是找到一個聚合函數(shù)f，它可以適當?shù)鼐幋aMIL假設(shè)。更具體地說，如果一個實例對一個類來說可能是正的，那么函數(shù)f應(yīng)該給它相應(yīng)的包分配更多的正信任。包BK的聚合函數(shù)f可以表示為：PC K188。P240。CK188。cjbk222。188。F240。PC電腦K2 K1；。..；電腦專業(yè)222。；240。1222。其中F可以maxj240。PC KJ222。；avgj240。PC KJ222?；蛩耍▍堑?，2015）。在我們的工作中，我們也考慮在瑞和克雷文SoftMax聚合函數(shù)提出了（2005）：PC K
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號-1