【正文】 手機(jī)芯片價(jià)格昂貴，直接嵌入到手機(jī)中是不現(xiàn)實(shí)的。5。vggns遭受識(shí)別“39。圖7（a）的特征可視化訓(xùn)練dmilwdds基于vggfvd16模型。例如，一個(gè)原始圖像遭受39。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。此外，在MIL框架不同聚集函數(shù)之間的對(duì)比實(shí)驗(yàn)表明，softmax聚集是dmilwdds來(lái)提高識(shí)別精度的最優(yōu)選擇。只有imagelevel供應(yīng)標(biāo)記的訓(xùn)練數(shù)據(jù)，我們的系統(tǒng)實(shí)現(xiàn)了對(duì)疾病的地區(qū)小麥病害識(shí)別和定位整合。stripe銹”去從單個(gè)像素的光明亮的輪廓，4學(xué)習(xí)特點(diǎn)四病變區(qū)域是顯而易見(jiàn)的塊，基于vggfvd16我們dmilwdds達(dá)到疾病的優(yōu)良特性的漸進(jìn)學(xué)習(xí)過(guò)程。最佳顏色觀看。在RGB圖像中，通過(guò)屏蔽B通道的空間得分圖生成原始圖像下的三幅熱圖，計(jì)算出疾病區(qū)域。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(shí)別任務(wù)，例如，對(duì)vggfs %% vggnvd16。對(duì)于四深模型的超選擇如最大限度的識(shí)別準(zhǔn)確率超過(guò)隨機(jī)驗(yàn)證集訓(xùn)練的褶皺。表2顯示了這四種模型的詳細(xì)架構(gòu)。它的視覺(jué)癥狀是小麥葉或耳朵上的微小白斑。給定一個(gè)測(cè)試圖像BX，我們可以得到C空間得分圖FPC Xij；C188。在通道C空間評(píng)分圖，即概率局部感受野bkij歸類為疾病C，其中我188。（為了解釋這個(gè)圖例中對(duì)顏色的引用，讀者可以參考本文的Web版本）?！?9。相對(duì)而言，還引入了相對(duì)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。從本質(zhì)上講，這種形式使得一個(gè)softmax基于包的所有實(shí)例加權(quán)考慮袋水平估計(jì)。1222。P240。收集的圖像就是小麥病害數(shù)據(jù)庫(kù)2017（wdd2017），實(shí)例wdd2017是圖1所示。（1997）在弱標(biāo)記情況下的藥物活性預(yù)測(cè)。然而，一個(gè)將陷入另一個(gè)困境天真葉分割處理圖像多葉或多個(gè)感染區(qū)域共存。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。這項(xiàng)工作的總體目標(biāo)是開(kāi)發(fā)一個(gè)自動(dòng)小麥病害診斷系統(tǒng)，以便在田間小麥圖像中同時(shí)識(shí)別疾病類別并找到相應(yīng)的疾病區(qū)域。監(jiān)測(cè)作物的健康狀況對(duì)于控制疾病的蔓延和實(shí)施有效的管理至關(guān)重要。做一個(gè)自動(dòng)的作物病害診斷系統(tǒng)，可應(yīng)用于現(xiàn)場(chǎng)的圖像，一個(gè)必須面對(duì)一些棘手的挑戰(zhàn)barbedo（2016）：（1）復(fù)雜的背景圖像，如樹(shù)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(gè)圖像中多葉或多個(gè)疾病領(lǐng)域的共生，（4）對(duì)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。注：我們dmilwdds工藝管道。簡(jiǎn)單地說(shuō)，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(gè)難題。然而，上述植物病害檢測(cè)的深層學(xué)習(xí)方法建立了它們?cè)谑芸貤l件下采集的純圖像的深層識(shí)別模型，這些模型不適用于野生環(huán)境。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(gè)純背景——作物葉片。..；CG是袋BK類標(biāo)簽，和CKJ 2 F1；。PC電腦K2 K1；。NK 1eapc kJ；240。 C，其中C是我們?nèi)蝿?wù)中的類別數(shù)量，因此第一個(gè)完全連接層的權(quán)重矩陣大小為20。表2我們實(shí)驗(yàn)中使用的四個(gè)深模型的詳細(xì)結(jié)構(gòu)。綠線表示二值圖像上的檢測(cè)輪廓。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。我們的網(wǎng)絡(luò)架構(gòu)，一個(gè)圖像映射到一個(gè)BK班級(jí)成績(jī)PK，W是我們FCN權(quán)重向量。圖6。此外，對(duì)四個(gè)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(kāi)始的最后3轉(zhuǎn)換塊。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。smut”和“39。leaf銹”。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。在不久的將來(lái)，我們將致力于開(kāi)發(fā)一個(gè)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(duì)作物病害診斷是非常困難的挑戰(zhàn)。致謝作者要感謝審稿人對(duì)改進(jìn)這篇論文的寶貴建議。例如，兩個(gè)現(xiàn)場(chǎng)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(jí)別的預(yù)測(cè)以及執(zhí)行所有黑穗病領(lǐng)域準(zhǔn)確定位我們dmilwdds（綠盒）。如圖7所示（一），原圖像的正確分類為“39。小麥疾病領(lǐng)域的dmilwdds本土化的例子（VGG fvd16）。圖9。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，%%。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。鑒于訓(xùn)練有素的FCN模型，我們dmilwdds允許在飛行中的小麥病害的自動(dòng)識(shí)別和定位。所有的表演dmilwdds模型不同的聚合函數(shù)的5倍交叉驗(yàn)證表明盒狀圖。訓(xùn)練數(shù)據(jù)集的圖像188。值得注意的是，F(xiàn)CN約為滑動(dòng)窗口的操作行為，導(dǎo)致顯著的對(duì)象仍然留在至少一個(gè)接收域，我們把接收域覆蓋了顯著對(duì)象的圖像作為MIL中相應(yīng)種類的正包。如圖4所示，給定MIL幀預(yù)測(cè)的空間得分圖和相應(yīng)的疾病類別，我們可以將與預(yù)測(cè)的疾病通道相關(guān)的空間得分圖轉(zhuǎn)換成二值閾值條件下的二值圖像，然后對(duì)其進(jìn)行輪廓提取操作。這種架構(gòu)使我們能夠?yàn)g覽所有可能的位置以找到醒目的物體。以VGGCNNVD16為例（Simonyan和Z