【正文】 注：我們dmilwdds工藝管道。一方面，在野外條件下從移動相機采集的圖像，調(diào)整大小后用完全卷積網(wǎng)絡(luò)（FCN）進行局部特征提取和局部縮放圖像。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。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)濟的可持續(xù)發(fā)展具有重要意義。監(jiān)測作物的健康狀況對于控制疾病的蔓延和實施有效的管理至關(guān)重要。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。這項工作的總體目標是開發(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。另一方面，空間計分圖經(jīng)過上采樣操作大致定位的疾病位置，然后近似包圍盒（BBA）進行準確地鎖定病變位置。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。基于高光譜和多光譜熒光測量的融合，魔獸等。然而，一個將陷入另一個困境天真葉分割處理圖像多葉或多個感染區(qū)域共存。此外，少量的研究主要集中在利用DCNN植物病害檢測。（1997）在弱標記情況下的藥物活性預(yù)測。總之，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。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。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。P240。P240。1222。PC電腦K2 K1；。從本質(zhì)上講，這種形式使得一個softmax基于包的所有實例加權(quán)考慮袋水平估計?；趶埩孔冃?，完全連接的層可以轉(zhuǎn)化為卷積表示，如圖3所示。相對而言，還引入了相對較淺的CNN架構(gòu)VGGCNNS（Chatfield等，2014），以發(fā)揮與VGGCNNVD16相同的操作，形成新的FCN，名為VGGFCNS?？紤]到一幅圖像的疾病區(qū)域可能會占用小區(qū)域，我們將原始圖像的大小調(diào)整為832？ 832，這導(dǎo)致約20？ VGGCNNVD16配置下20個分數(shù)圖?！?9。然后，生成包含相應(yīng)輪廓的最小框。（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）。從這個意義上說，我們對待圖像的接受領(lǐng)域包括醒目對象作為一個積極的袋子相應(yīng)的類標簽在MIL。在通道C空間評分圖，即概率局部感受野bkij歸類為疾病C，其中我188。BK；K 1；。給定一個測試圖像BX，我們可以得到C空間得分圖FPC Xij；C188。最佳顏色觀看。它的視覺癥狀是小麥葉或耳朵上的微小白斑。中國移動39。表2顯示了這四種模型的詳細架構(gòu)。此外，我們wdd2017均勻分裂成5倍交叉驗證（詳細劃分見表1）。對于四深模型的超選擇如最大限度的識別準確率超過隨機驗證集訓(xùn)練的褶皺。我們也可以看到從vggnvd16和vggfvd16結(jié)果精度相應(yīng)提前。第一，dmilwdds框架淺模型可能優(yōu)于傳統(tǒng)的CNN架構(gòu)深模型在田間小麥病害識別任務(wù)，例如，對vggfs %% vggnvd16。小麥疾病領(lǐng)域的dmilwdds本土化的例子（VGG fvd16）。在RGB圖像中，通過屏蔽B通道的空間得分圖生成原始圖像下的三幅熱圖，計算出疾病區(qū)域。從左到右的六列意象分別是“糠”，“39。最佳顏色觀看。stripe銹”的dmilwdds。stripe銹”去從單個像素的光明亮的輪廓，4學(xué)習(xí)特點四病變區(qū)域是顯而易見的塊，基于vggfvd16我們dmilwdds達到疾病的優(yōu)良特性的漸進學(xué)習(xí)過程。只有imagelevel供應(yīng)標記的訓(xùn)練數(shù)據(jù)，我們的系統(tǒng)實現(xiàn)了對疾病的地區(qū)小麥病害識別和定位整合。這項工作是國家自然科學(xué)基金資助（批準號：61473167和61621136008號）和德國研究基金會（DFG）項目crossmodal學(xué)習(xí)，DFC trr169。此外，在MIL框架不同聚集函數(shù)之間的對比實驗表明，softmax聚集是dmilwdds來提高識別精度的最優(yōu)選擇。當我們的系統(tǒng)需要擴展到當前作物的一些新病害時，我們需要做的就是在深層建筑中添加相應(yīng)的通道，并根據(jù)新增疾病類別的數(shù)據(jù)對其進行微調(diào)。從這些結(jié)果我們可以總結(jié)，最大的結(jié)果太偏定位在AVG的結(jié)果太一般疾病區(qū)域定位。對我dmilwdds學(xué)習(xí)能力的進一步調(diào)查，我們想象特征的生39。例如，一個原始圖像遭受39。smut”和“39。圖7（a）的特征可視化訓(xùn)練dmilwdds基于vggfvd16模型。powdery霉變”、“39。vggns遭受識別“39?？梢钥闯?，軟的，實現(xiàn)最佳的性能為dmilwdds模型和AVG的次之，而Max agg是比較差的。5。對于dmilwdds。下面我們詳細介紹我們的實驗。由于深部模型參數(shù)存儲量大，手機芯片價格昂貴，直接嵌入到手機中是不現(xiàn)實的。最后，BBA操作相應(yīng)標簽九輸出一些包圍盒鎖定疾病領(lǐng)域的熱地圖進行（）。（3）——（5）。bkjw222。..；CG。解釋，我們采用ReLu作為非線性激活函數(shù)的網(wǎng)絡(luò)加速收斂，除了最后的卷積層產(chǎn)生空間得分圖。粗體值是對應(yīng)于每個類別的相應(yīng)深度模型的最佳性能。近似包圍盒通道（BBA）。mil聚集”）是ReLu。相對于原始CNN作用于原始圖像中的滑動窗口，VGGFCNVD16實現(xiàn)了對所有滑塊的一次性計算，在這些滑動窗口的