【正文】 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。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。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。對比試驗與特征可視化為了更好地解釋我們的系統(tǒng)實際在學習什么，我們進行了對比測試。powdery霉變”、“39。圖8。leaf 39。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。圖5顯示了不同聚合總精度dmilwdds MIL函數(shù)模型的比較。我們運行我們的代碼在GeForce GTX 1080 GPU。傳統(tǒng)的CNN的架構(gòu)，該vggn 。（3）（5）分別。實驗我們驗證了dmilwdds效果在wdd2017進行一些實驗中的幾個模型來估計測試的精度和顯示定位結(jié)果。實時設(shè)計。這些熱圖能粗略地描繪出疾病區(qū)域，即一張熱圖中較高的熱量值，相應(yīng)疾病的可能性更大。1 FCN，其中聚合為PC X米框架顯示在Eqs。..；我們用W240。..；經(jīng)營的和C 2 F1；。經(jīng)過訓(xùn)練后，將深度模型用于新圖像的特征提取和空間得分圖生成。Max agg，AVG的和軟的對應(yīng)三DMIL wdds不同聚集功能在MIL框架。 圖4。對于所有的權(quán)重層非線性激活函數(shù)（除了“39。32。在綠色中突出顯示的數(shù)字表示附近的特征地圖或圖像的大小，而黑色的斜體數(shù)字表示特征映射的數(shù)量。 1000修改至1024。完全卷積網(wǎng)絡(luò)（FCN）一般來說，CNN由四部分組成：卷積層，合并層，完全連接層和輸出層。P NK J188。；avgj240。188。條件概率；C 2 F1；。..；吳，和BK的實例表示為bk1；。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。因此，我們的工作對于進一步的研究是有價值的。（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。同樣，Mohanty等人。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。在phadikar等人。我們的主要貢獻概括如下：DMIL弱監(jiān)督學習框架的基礎(chǔ)上首先利用小麥病害診斷，具有應(yīng)對棘手的麥田圖像的能力。為了驗證我們的dmilwdds的實用性和有效性，一場疾病數(shù)據(jù)集的小麥病害數(shù)據(jù)庫2017（wdd2017）收集，其中包括9230的圖像有7個不同的類（6普通小麥病害，1健康的小麥）。在本文中、一種新的提出得基于深度學習和多示例學習的現(xiàn)場自動小麥病害診斷系統(tǒng)（MIL）（Dietterich等人，1997），它可以部署在移動手機進行實時診斷。相反，人們只需要普通攝像機和消費級電子存儲設(shè)備來進行作物病害鑒定。兩種不同的體系結(jié)構(gòu)，即vggfvd16和vggfs，%%，%和73%的結(jié)果，實驗結(jié)果表明該系統(tǒng)在精度參數(shù)相同的條件的識別下優(yōu)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，同時保持相應(yīng)的疾病領(lǐng)域的準確定位。并應(yīng)用一個新小麥病害數(shù)據(jù)庫2017（wdd2017）收集驗證該系統(tǒng)的有效性。）。據(jù)我們所知，我們首先建議在田間情況下共同處理小麥病害的雙重任務(wù)。特別是，該dmilwdds可以有足夠的準備訓(xùn)練數(shù)據(jù)，實現(xiàn)端到端的訓(xùn)練。（對于這個圖例中對顏色的引用的解釋，讀者可以參考本文的Web版本）。Camargo和史米斯（2009）提出了識別作物病害的視覺癥狀通過顏色變換和圖像顏色分割。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）。（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。吳等人。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。表1顯示了我們的wdd2017細節(jié)。1；。cjbkj222。cjbk222。PC KJ222。188。 4096。從改性vggnvd16轉(zhuǎn)化vggfvd16圖。由于五個合并層和2？ 2 VGGCNNVD16的池化尺寸，滑動窗口的步幅為25247。pad”基于地圖的空間填充。幸運的是，它是利用opencv1實現(xiàn)以上所有的處理步驟，輕松的工作。性病）。圖2中的紅色部分由紅色加粗虛線包圍，將通過訓(xùn)練階段提前建立一個廣義的深度模型。..；香港；J 2 F1；。1；。..；Cghx；WX我；J188。同時，C空間得分圖經(jīng)過上采樣操作生成C熱映射每個具有同樣大小的圖像BX。（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）。4。MIL聚集有三種形式：軟的，Max agg和AVG AGG，對應(yīng)于情商。培訓(xùn)策略。實施我們的codes2是用Python寫的和深模型實現(xiàn)了西雅娜（Al Rfou et al.，2016）?？傊?，本文提出的dmilwdds框架超越了傳統(tǒng)CNN的基礎(chǔ)架構(gòu)上識別模型參數(shù)相同的條件下。例如，“39。leaf斑”、“生銹”、“39。原始圖像和處理圖像（屏蔽病變區(qū)域）識別結(jié)果的比較。leaf 39。healthy小麥”如圖7（b）。此外，我們的框架的深層結(jié)構(gòu)可以進行調(diào)整或修改，以更好地適應(yīng)任務(wù)數(shù)據(jù)。在wdd2017表明該框架提供了顯著的改進傳統(tǒng)的CNN架構(gòu)在深模型參數(shù)相同的條件下的實驗結(jié)