田間小麥病害自動診斷系統(tǒng)-wenkub
2022-09-02 09:40:18 本頁面
【正文】 與整個圖像隔離開來，然后采用粗糙集理論（RST）進(jìn)行特征選擇，并用規(guī)則基分類器進(jìn)行疾病識別?；诟吖庾V和多光譜熒光測量的融合，魔獸等。提出的小麥病害識別與定位集成方法優(yōu)于傳統(tǒng)方法。要反饋給用戶的診斷包括疾病類別和相應(yīng)疾病部位的位置。在wdd2017表明該dmilwdds優(yōu)于傳統(tǒng)的CNN結(jié)構(gòu)對疾病類別的識別精度的實(shí)驗(yàn)結(jié)果，但也保持精確定位相應(yīng)的疾病領(lǐng)域。另一方面，空間計(jì)分圖經(jīng)過上采樣操作大致定位的疾病位置，然后近似包圍盒（BBA）進(jìn)行準(zhǔn)確地鎖定病變位置。如圖2所示，我們的框架由移動客戶端和設(shè)備層的計(jì)算服務(wù)器組成。這項(xiàng)工作的總體目標(biāo)是開發(fā)一個自動小麥病害診斷系統(tǒng)，以便在田間小麥圖像中同時識別疾病類別并找到相應(yīng)的疾病區(qū)域。然而，這些方法幾乎都是具體的任務(wù)，需要專家的知識來設(shè)計(jì)手工制作的特征提取器，只在理想的實(shí)驗(yàn)環(huán)境下的作物圖像。雖然這些技術(shù)可以對作物病害做出相對快速的診斷，但它們離不開昂貴而笨重的傳感器。此外，該系統(tǒng)已被打包成一個實(shí)時的移動應(yīng)用程序，為農(nóng)業(yè)疾病診斷提供支持。監(jiān)測作物的健康狀況對于控制疾病的蔓延和實(shí)施有效的管理至關(guān)重要。本文提出了一種基于弱監(jiān)督深層學(xué)習(xí)框架的田間自動小麥病害診斷系統(tǒng)，即深層多示例學(xué)習(xí)，在田間僅用圖像標(biāo)注進(jìn)行圖像訓(xùn)練實(shí)現(xiàn)了小麥病害識別與病害區(qū)域定位的統(tǒng)一。關(guān)鍵詞：農(nóng)業(yè)病害診斷 小麥病害檢測 弱監(jiān)督學(xué)習(xí) 深多示例學(xué)習(xí) 完全卷積網(wǎng)絡(luò)1 引言作物病害診斷對防止疾病的蔓延和保持農(nóng)業(yè)經(jīng)濟(jì)的可持續(xù)發(fā)展具有重要意義。隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，關(guān)注的是關(guān)于圖像檢測技術(shù)對作物病害的生長（Camargo和史米斯，2009；Arivazhagan等，2013；barbedo，2014；Rastogi et al.，2015），它擺脫了時間成本和分子分析設(shè)備的束縛（馬蒂內(nèi)利等，2015。做一個自動的作物病害診斷系統(tǒng)，可應(yīng)用于現(xiàn)場的圖像，一個必須面對一些棘手的挑戰(zhàn)barbedo（2016）：（1）復(fù)雜的背景圖像，如樹葉、土壤、石頭，甚至人們的手，（2）不可控制的捕獲條件，如光照、攝像機(jī)的角度和圖像質(zhì)量，（3）在一個圖像中多葉或多個疾病領(lǐng)域的共生，（4）對疾病發(fā)展的不同階段的不同特征，（5）在不同類別的疾病之間外觀相似。為了避免昂貴和費(fèi)力的手工注釋，將小麥病害識別和定位的雙重任務(wù)建模為弱監(jiān)督學(xué)習(xí)任務(wù)。一方面，在野外條件下從移動相機(jī)采集的圖像，調(diào)整大小后用完全卷積網(wǎng)絡(luò)（FCN）進(jìn)行局部特征提取和局部縮放圖像。該模型為多示例學(xué)習(xí)為基礎(chǔ)的小麥病害診斷系統(tǒng)（dmilwdds）。注：我們dmilwdds工藝管道。最佳顏色觀看?；贑NN的深度模型參數(shù)相同的識別體系結(jié)構(gòu)。（2005）提出了一種基于自組織映射（SOM）的疾病分類器。簡單地說，現(xiàn)有的方法大多局限于捕獲圖像的純背景或受控環(huán)境，這是實(shí)際應(yīng)用中的一個難題。雖然最近關(guān)于計(jì)算機(jī)視覺的作品證明了選擇性搜索的巨大成功（SS）（uijlings et al.，2013）在目標(biāo)分割，似乎無力直接采用SS段現(xiàn)場圖像由于嚴(yán)重的重疊和交錯間作物的散漫。（DyrmCNN et al.，2016；grinblat et al.，2016）設(shè)計(jì)了他們的特定任務(wù)的應(yīng)用架構(gòu)進(jìn)行植物分類。sladojevic等人。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。為了減少繁瑣的人工標(biāo)注盡可能同時實(shí)現(xiàn)目標(biāo)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）。FCN是長等人首先提出了。一方面，本系統(tǒng)針對田間小麥病害自動診斷，更貼近實(shí)際情況，為精準(zhǔn)農(nóng)業(yè)提供技術(shù)支持和服務(wù)。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。注意，wdd2017已均勻分為5組進(jìn)行交叉驗(yàn)證，其中4組作為訓(xùn)練集和一組作為測試集。表1小麥病害數(shù)據(jù)庫的組成（2017 wdd2017）。對于分類任務(wù)，假設(shè)是從袋袋組反饋；K188。..；CG是袋BK類標(biāo)簽，和CKJ 2 F1；。CKJ188。下一個工作是找到一個聚合函數(shù)f，它可以適當(dāng)?shù)鼐幋aMIL假設(shè)。CK188。PC電腦K2 K1；。其中F可以maxj240?；蛩耍▍堑龋?015）。..；電腦專業(yè)222。NK 1eapc kJ；240。請注意，我們只是依賴于包級標(biāo)簽來執(zhí)行基于梯度的反向傳播算法在MIL假設(shè)。 CNN中每個卷積層的輸出是一個尺寸為d？的三維張量， H ？ w，稱為特征地圖，其中h和w是特征地圖的空間維度，d是特征地圖或通道的數(shù)量。在這項(xiàng)工作中，VGGCNNVD16的完全連接層的通道從f4096。 C，其中C是我們?nèi)蝿?wù)中的類別數(shù)量，因此第一個完全連接層的權(quán)重矩陣大小為20。圖3。（為了解釋這個圖例中對顏色的引用，讀者可以參考本文的Web版本）。顯然，每個得分點(diǎn)對應(yīng)一個224？調(diào)整大小后的輸入圖像中的224平方區(qū)域。 表2我們實(shí)驗(yàn)中使用的四個深模型的詳細(xì)結(jié)構(gòu)。stride”是卷積步幅和“39?？紤]到重疊區(qū)域造成的FCN，我們的規(guī)模最小的盒子里按一定比例均勻，這有助于疾病領(lǐng)域的精確定位。綠線表示二值圖像上的檢測輪廓。表3 精度（%）每班以及總在傳統(tǒng)的CNN的架構(gòu)和dmilwdds模型wdd2017（平均177。如圖2所示，我們將我們的dmilwdds模型分為兩部分，其中一個實(shí)現(xiàn)了圖像的層次劃分，即小麥病害的識別，另一個實(shí)現(xiàn)疾病的區(qū)域定位。為了得到0和1之間的概率值，我們使用Sigmoid函數(shù)代替熱魯近完全卷積層。F1；。根據(jù)MIL框架，如果我們使用Softma
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號-1