田間小麥病害自動診斷系統(tǒng)(文件)
【正文】 x作為我們的聚集功能，含C的BK的概率可以寫為： (3)A和Eq.（2）的論點相同。..；N與圖像的標(biāo)簽，TK 2 F0；1gc，這是維一熱載體由元素TC K；C188。我們的網(wǎng)絡(luò)架構(gòu)，一個圖像映射到一個BK班級成績PK，W是我們FCN權(quán)重向量。1；。因此，我們對圖像做了BX識別九如下： （7）圖5。（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）。圖6。最佳顏色觀看。因此，我們只是植入數(shù)據(jù)采集模塊和移動端交互模塊，但是決策和計算模塊在服務(wù)器端，包括訓(xùn)練函數(shù)模型。4g服務(wù)的條件下，處理速度可以達(dá)到1s /圖像上的GeForce GTX 1080 GPU，能夠滿足實時應(yīng)用。請注意，vggns和vggfs具有相同數(shù)量的參數(shù)，以及vggnvd16和vggfvd16。數(shù)據(jù)集我們評估我們的dmilwdds對野外采集的數(shù)據(jù)wdd2017小麥。此外，對四個模型我們微調(diào)前5塊是預(yù)先訓(xùn)練在ImageNet ilsvrc2012參數(shù)，但是從零開始的最后3轉(zhuǎn)換塊。結(jié)果與討論。三聚合函數(shù)的vggfvd16優(yōu)于vggnvd16類中除了“糠”，%，總準(zhǔn)確率，%%。這些結(jié)果表明，在田間小麥病害鑒定中，以加權(quán)方式考慮所有的田間都是有益的。第二，dmilwdds框架可以有效地處理一些樣品，傳統(tǒng)CNN無法處理。powdery霉”沉重的擊穿，其類別精度僅為2%，%，這一類，這是一個顯著的性能提升。從左到右的六列意象分別是“糠”，“39。smut”和“39。圖7。請注意，只有1個4塊之后的前25個特征映射到了空間限制。leaf斑”、“生銹”、“39。leaf銹”。（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）。stripe銹”及其加工的版本（由屏蔽病變區(qū)域）為診斷dmilwdds（使用vggfvd16模型）。然而，由于其病變區(qū)域的一些塊屏蔽，識別結(jié)果的39。stripe銹”的圖像（如圖7所示圖8（a）），其中（一）至（d）顯示輸出到4塊1 vggfvd16特征圖，分別。這一特征的可視化是一個很好的示范dmilwdds是我們學(xué)習(xí)。相比較而言，軟的，導(dǎo)致顯著的疾病領(lǐng)域更精確的定位，這可以解釋，softagg是Max agg和AVG的MIL框架之間的權(quán)衡，我們認(rèn)為定位可以細(xì)化如果給出一個更合適的超參數(shù)在方程（3）軟的。可擴(kuò)展性與未來展望雖然該系統(tǒng)是針對小麥的一種任務(wù)特異性疾病診斷系統(tǒng)，但該框架具有通用性，適用于其它作物或蔬菜，如玉米、番茄、辣椒等。在不久的將來，我們將致力于開發(fā)一個更加健壯和強(qiáng)大的基于現(xiàn)有系統(tǒng)的框架，以適應(yīng)多種疾病或多種作物混合的情況，這對作物病害診斷是非常困難的挑戰(zhàn)。我們利用四種不同的深模型對新數(shù)據(jù)進(jìn)行實地采集wdd2017小麥病害識別。定位結(jié)果驗證了我們的dmilwdds和softmax聚集可導(dǎo)致更準(zhǔn)確的定位疾病方面比另一個聚合函數(shù)。致謝作者要感謝審稿人對改進(jìn)這篇論文的寶貴建議。即使基于淺層模型（如vggfs），該框架是讓比深厚的傳統(tǒng)CNN模式更好的識別性能（如vggn vd16）。結(jié)論在本文中，我們提出了一個新的小麥病害診斷框架基于深多示例學(xué)習(xí)，即dmilwdds，旨在處理冬小麥的圖像沒有任何技術(shù)的預(yù)處理。當(dāng)我們的系統(tǒng)需要擴(kuò)展到與當(dāng)前作物相同的疾病的一些不同的作物時，我們僅僅需要一些關(guān)于共享疾病的新作物的數(shù)據(jù)，來調(diào)整我們的框架來識別同樣的疾病，但是保持深層建筑的結(jié)構(gòu)不變。例如，兩個現(xiàn)場圖像在第五列包含兩小麥黑穗病領(lǐng)域以及人們的手或光照變化，但基于軟的vggfvd16仍然做出正確的類級別的預(yù)測以及執(zhí)行所有黑穗病領(lǐng)域準(zhǔn)確定位我們dmilwdds（綠盒）。病區(qū)定位圖9給出了一些例子，定位小麥疾病領(lǐng)域的vggfvd16與三種不同的聚合函數(shù)，即Max agg，AVG的和軟的。我們可以看到，從1塊特征的39。這種現(xiàn)象表明dmilwdds確實是病的地區(qū)而不是其他地區(qū)的小麥敏感。如圖7所示（一），原圖像的正確分類為“39。對比試驗與特征可視化為了更好地解釋我們的系統(tǒng)實際在學(xué)習(xí)什么，我們進(jìn)行了對比測試。三熱地圖下面的原圖像，這是由掩蔽空間得分圖B通道的RGB圖像生成，找出疾病領(lǐng)域的vggfvd16 Max agg推斷，AVG AGG和softagg分別。powdery霉變”、“39。小麥疾病領(lǐng)域的dmilwdds本土化的例子（VGG fvd16）。圖8。粉紅色，在原始圖像lightblueand綠色框表示的定位結(jié)果與vggf vd16 maxagg，AVG的和軟的分別。leaf 39。圖9。powdery霉”是一種疾病，是區(qū)分小麥由CNN，如圖6所示，因為它的視覺癥狀是白色的小斑點，很容易被CNN合并操作。表3。圖5顯示了不同聚合總精度dmilwdds MIL函數(shù)模型的比較。比較我們的dmilwdds框架與傳統(tǒng)的CNN的架構(gòu)，（Max agg，AVG AGG和軟AGG）顯著優(yōu)于vggns所有課程，%，總準(zhǔn)確率，%%。我們運行我們的代碼在GeForce GTX 1080 GPU。精度估計每個深模型，我們報告我們的測試精度每小麥病害以及超過5交叉驗證平均方式總的準(zhǔn)確性。傳統(tǒng)的CNN的架構(gòu)，該vggn 。但dmilwdds，即vggfs和vggfvd16，我們調(diào)整所有的RGB圖像轉(zhuǎn)化為832 832 3的大小。（3）（5）分別?；趥鹘y(tǒng)的CNN的模式，我們開發(fā)的vggfs和vggfvd16作為
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號-1