【正文】 手機芯片價格昂貴，直接嵌入到手機中是不現(xiàn)實的。5。vggns遭受識別“39。圖7（a）的特征可視化訓(xùn)練dmilwdds基于vggfvd16模型。例如，一個原始圖像遭受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)之間的對比實驗表明，softmax聚集是dmilwdds來提高識別精度的最優(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)實現(xiàn)了對疾病的地區(qū)小麥病害識別和定位整合。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。最佳顏色觀看。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。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。對于四深模型的超選擇如最大限度的識別準(zhǔn)確率超過隨機驗證集訓(xùn)練的褶皺。表2顯示了這四種模型的詳細(xì)架構(gòu)。它的視覺癥狀是小麥葉或耳朵上的微小白斑。給定一個測試圖像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。（為了解釋這個圖例中對顏色的引用，讀者可以參考本文的Web版本）。“39。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。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。1222。P240。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。（1997）在弱標(biāo)記情況下的藥物活性預(yù)測。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。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。這項工作的總體目標(biāo)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。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。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。注：我們dmilwdds工藝管道。簡單地說，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，這是實際應(yīng)用中的一個難題。然而，上述植物病害檢測的深層學(xué)習(xí)方法建立了它們在受控條件下采集的純圖像的深層識別模型，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，因此第一個完全連接層的權(quán)重矩陣大小為20。表2我們實驗中使用的四個深模型的詳細(xì)結(jié)構(gòu)。綠線表示二值圖像上的檢測輪廓。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)，一個圖像映射到一個BK班級成績PK，W是我們FCN權(quán)重向量。圖6。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。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，我們將致力于開發(fā)一個更加健壯和強大的基于現(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)。致謝作者要感謝審稿人對改進這篇論文的寶貴建議。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）。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識別和定位。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約為滑動窗口的操作行為，導(dǎo)致顯著的對象仍然留在至少一個接收域，我們把接收域覆蓋了顯著對象的圖像作為MIL中相應(yīng)種類的正包。如圖4所示，給定MIL幀預(yù)測的空間得分圖和相應(yīng)的疾病類別，我們可以將與預(yù)測的疾病通道相關(guān)的空間得分圖轉(zhuǎn)換成二值閾值條件下的二值圖像，然后對其進行輪廓提取操作。這種架構(gòu)使我們能夠瀏覽所有可能的位置以找到醒目的物體。以VGGCNNVD16為例（Simonyan和Z