田間小麥病害自動(dòng)診斷系統(tǒng)-資料下載頁(yè)
2024-08-14 09:40本頁(yè)面
【正文】 ，其類別精度僅為2%，%，這一類，這是一個(gè)顯著的性能提升。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。圖9。小麥疾病領(lǐng)域的dmilwdds本土化的例子（VGG fvd16）。從左到右的六列意象分別是“糠”，“39。leaf斑”、“生銹”、“39。leaf 39。powdery霉變”、“39。smut”和“39。leaf銹”。粉紅色，在原始圖像lightblueand綠色框表示的定位結(jié)果與vggf vd16 maxagg，AVG的和軟的分別。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。圖7。原始圖像和處理圖像（屏蔽病變區(qū)域）識(shí)別結(jié)果的比較。圖8。圖7（a）的特征可視化訓(xùn)練dmilwdds基于vggfvd16模型。請(qǐng)注意，只有1個(gè)4塊之后的前25個(gè)特征映射到了空間限制。圖9。小麥疾病領(lǐng)域的dmilwdds本土化的例子（VGG fvd16）。從左到右的六列意象分別是“糠”，“39。leaf斑”、“生銹”、“39。leaf 39。powdery霉變”、“39。smut”和“39。leaf銹”。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(guò)VGG fvd16與maxagg，AVG的和軟的分別。三熱地圖下面的原圖像，這是由掩蔽空間得分圖B通道的RGB圖像生成，找出疾病領(lǐng)域的vggfvd16 Max agg推斷，AVG AGG和softagg分別。最佳顏色觀看。（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）。對(duì)比試驗(yàn)與特征可視化為了更好地解釋我們的系統(tǒng)實(shí)際在學(xué)習(xí)什么，我們進(jìn)行了對(duì)比測(cè)試。例如，一個(gè)原始圖像遭受39。stripe銹”及其加工的版本（由屏蔽病變區(qū)域）為診斷dmilwdds（使用vggfvd16模型）。圖7演示了對(duì)圖像的識(shí)別結(jié)果的比較。如圖7所示（一），原圖像的正確分類為“39。stripe銹”的dmilwdds。然而，由于其病變區(qū)域的一些塊屏蔽，識(shí)別結(jié)果的39。healthy小麥”如圖7（b）。這種現(xiàn)象表明dmilwdds確實(shí)是病的地區(qū)而不是其他地區(qū)的小麥敏感。對(duì)我dmilwdds學(xué)習(xí)能力的進(jìn)一步調(diào)查，我們想象特征的生39。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。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。我們可以看到，從1塊特征的39。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。這一特征的可視化是一個(gè)很好的示范dmilwdds是我們學(xué)習(xí)。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。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。相比較而言，軟的，導(dǎo)致顯著的疾病領(lǐng)域更精確的定位，這可以解釋，softagg是Max agg和AVG的MIL框架之間的權(quán)衡，我們認(rèn)為定位可以細(xì)化如果給出一個(gè)更合適的超參數(shù)在方程（3）軟的。盡管現(xiàn)場(chǎng)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。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）。可擴(kuò)展性與未來(lái)展望雖然該系統(tǒng)是針對(duì)小麥的一種任務(wù)特異性疾病診斷系統(tǒng)，但該框架具有通用性，適用于其它作物或蔬菜，如玉米、番茄、辣椒等。此外，我們的框架的深層結(jié)構(gòu)可以進(jìn)行調(diào)整或修改，以更好地適應(yīng)任務(wù)數(shù)據(jù)。當(dāng)我們的系統(tǒng)需要擴(kuò)展到與當(dāng)前作物相同的疾病的一些不同的作物時(shí)，我們僅僅需要一些關(guān)于共享疾病的新作物的數(shù)據(jù)，來(lái)調(diào)整我們的框架來(lái)識(shí)別同樣的疾病，但是保持深層建筑的結(jié)構(gòu)不變。當(dāng)我們的系統(tǒng)需要擴(kuò)展到當(dāng)前作物的一些新病害時(shí)，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(duì)其進(jìn)行微調(diào)。在不久的將來(lái)，我們將致力于開發(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)。6。結(jié)論在本文中，我們提出了一個(gè)新的小麥病害診斷框架基于深多示例學(xué)習(xí)，即dmilwdds，旨在處理冬小麥的圖像沒有任何技術(shù)的預(yù)處理。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。我們利用四種不同的深模型對(duì)新數(shù)據(jù)進(jìn)行實(shí)地采集wdd2017小麥病害識(shí)別。在wdd2017表明該框架提供了顯著的改進(jìn)傳統(tǒng)的CNN架構(gòu)在深模型參數(shù)相同的條件下的實(shí)驗(yàn)結(jié)果。即使基于淺層模型（如vggfs），該框架是讓比深厚的傳統(tǒng)CNN模式更好的識(shí)別性能（如vggn vd16）。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。定位結(jié)果驗(yàn)證了我們的dmilwdds和softmax聚集可導(dǎo)致更準(zhǔn)確的定位疾病方面比另一個(gè)聚合函數(shù)。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。致謝作者要感謝審稿人對(duì)改進(jìn)這篇論文的寶貴建議。這項(xiàng)工作是國(guó)家自然科學(xué)基金資助（批準(zhǔn)號(hào)：61473167和61621136008號(hào)）和德國(guó)研究基金會(huì)（DFG）項(xiàng)目crossmodal學(xué)習(xí)，DFC trr169。
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1