田間小麥病害自動(dòng)診斷系統(tǒng)-免費(fèi)閱讀
【正文】 此外，該dmilwdds被設(shè)計(jì)成一個(gè)移動(dòng)應(yīng)用程序提供支持的農(nóng)業(yè)病害診斷。6。盡管現(xiàn)場圖像與棘手的挑戰(zhàn)1節(jié)中提到的，如復(fù)雜的背景圖像或圖像中存在多方面的疾病，我們dmilwdds仍能精確定位疾病領(lǐng)域的位置，如圖9所示。注意每個(gè)特征映射中的像素點(diǎn)是一個(gè)整流激活，而亮點(diǎn)代表更大的激活值。圖7演示了對圖像的識(shí)別結(jié)果的比較。粉紅色，藍(lán)色和綠色的盒子在原始圖像的定位結(jié)果表明通過VGG fvd16與maxagg，AVG的和軟的分別。圖9。leaf銹”。兩觀察可以由dmilwdds框架集中在整個(gè)圖像的局部區(qū)域的精細(xì)特征提取的解釋。此外，還可以得出兩個(gè)驚人的結(jié)論。小麥病害識(shí)別表3給出了最終類明智的準(zhǔn)確性和在不同深度模型配置5交叉驗(yàn)證總精度。傳統(tǒng)的CNN的架構(gòu)，即vggns和vggnvd16，我們調(diào)整所有的RGB圖像在wdd2017到224 224大小3。模型我們認(rèn)為，修改后的vggns和vggnvd16作為我們的基準(zhǔn)模型。移動(dòng)與服務(wù)器之間的數(shù)據(jù)傳輸是基于協(xié)議的。小麥39?？偩缺容^dmilwdds不同聚合MIL函數(shù)。下面的損失函數(shù)來優(yōu)化我們的dmilwdds： (6)其目的是在最小均方誤差（MSE）圖像的標(biāo)簽和預(yù)測之間以及正則化模型的參數(shù)。此外，我們可以使用馬克斯聚合函數(shù)： (4) (5)培訓(xùn)dmilwdds。給出了一種新的圖像的BK，我們表示香港WK高度及其空間分圖分別表示寬度，和PC KIJ Sigmoid函數(shù)輸出的位置240。dmilwdds如前所述，F(xiàn)CN用于從圖像中提取局部特征和生成空間得分圖在每個(gè)個(gè)體得分點(diǎn)基本上是一個(gè)相應(yīng)的感受野的疾病估計(jì)。紅色虛線框表示包含相應(yīng)等高線的最小框，而紅色實(shí)線框表示框的縮小版本。包圍盒近似（BBA）為清楚起見，近似一個(gè)包圍盒（BBA）步驟采用定位疾病領(lǐng)域的地位?！?9。以VGGFCNVD16為例，我們可以獲得每個(gè)疾病的空間分?jǐn)?shù)圖，？直觀上，地圖中的每個(gè)得分點(diǎn)近似等于通過將原始CNN應(yīng)用于原始圖像上的固定尺寸滑動(dòng)窗口而生成的近似值。 ，首先完全連接的層的權(quán)重被重新整形成尺寸為1024 512？ 7？ 7的4維張量。較高層中的區(qū)域?qū)?yīng)于輸入圖像中的特定區(qū)域，其被稱為各自的字段。2222。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 K188。..；電腦專業(yè)222。更具體地說，如果一個(gè)實(shí)例對一個(gè)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。..；例如氮?dú)鈴椈蒀G類標(biāo)簽。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。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。（2015）語義分割。此外，他們只是意識(shí)到了疾病的識(shí)別，卻沒有注意到疾病在哪里。薩等。作為一個(gè)結(jié)果，葉分割（張和孟，2011；該224。一個(gè)新的領(lǐng)域wdd2017小麥病害數(shù)據(jù)收集證明了系統(tǒng)的有效性以及后續(xù)工程建設(shè)標(biāo)準(zhǔn)。左、右虛線框分別為移動(dòng)客戶端和計(jì)算服務(wù)器。然后，F(xiàn)CN產(chǎn)生不同疾病種類的空間計(jì)分圖，每個(gè)計(jì)分點(diǎn)對應(yīng)于一個(gè)特定的局部窗口的原始圖像。從我們收集的小麥病害數(shù)據(jù)集中篩選出一些具有挑戰(zhàn)性的樣本，如圖1所示。一般來說，作物病害的診斷是通過目測或顯微鏡技術(shù)手工完成的，證明是耗時(shí)的，而且由于主觀知覺存在誤差的風(fēng)險(xiǎn)。田間自動(dòng)小麥病害診斷系統(tǒng)摘要農(nóng)作物病害是造成世界農(nóng)業(yè)產(chǎn)業(yè)減產(chǎn)和經(jīng)濟(jì)損失的主要原因。在這樣的背景下，不同的光譜和成像技術(shù)已經(jīng)研究了識(shí)別作物病害癥狀（布拉沃et al.，2004；魔獸et al.，2005；chaerle et al.，2007；belasque et al.，2008；秦等，2009）。據(jù)我們所知，很少有人研究減輕或消除作物病害診斷所面臨的上述挑戰(zhàn)。然后將這些不同局部窗口的估計(jì)量送入MIL框架，對整幅圖像進(jìn)行整體評價(jià)。在系統(tǒng)進(jìn)行疾病識(shí)別和定位之前，紅色加粗虛線包圍的部件將經(jīng)過訓(xùn)練數(shù)據(jù)的訓(xùn)練階段。2．綜述已經(jīng)開發(fā)了許多基于圖像的方法來處理作物病害鑒定。Ribas et al.，2013；王等，2013）通常是被迫的前提下進(jìn)行作物病害識(shí)別。（2016）提出了一種多快rn模型，即DeepFruits，發(fā)揮實(shí)時(shí)水果檢測。MIL是Dietterich等人首先介紹。在本文中，一個(gè)新的函數(shù)是用來減少計(jì)算成本和執(zhí)行實(shí)例級(jí)疾病同時(shí)估計(jì)，這相當(dāng)于一個(gè)滑動(dòng)窗口操作對整個(gè)圖像。為此，本研究收集了9230種小麥圖像，在圖像級(jí)標(biāo)注了7種小麥病害，包括健康的。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(shí)例的注釋來減少標(biāo)簽的工作量。該實(shí)例Bkj是C類記為PC KJ188。包BK的聚合函數(shù)f可以表示為：PC K188。；240。FS240。其中一個(gè)是一個(gè)恒定的控制程度，softmax聚合函數(shù)近似硬最大聚合函數(shù)。以VGGCNNVD16為例（Simonyan和Zisserman，2014），其最終輸出的相應(yīng)領(lǐng)域?qū)嶋H上是整個(gè)224？ 224圖像。1024個(gè)卷積核大小為512？ 7？ ，處理其他完全連接層以獲得稱為VGGFCNVD16的FCN。這種架構(gòu)使我們能夠?yàn)g覽所
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1