田間小麥病害自動(dòng)診斷系統(tǒng)(參考版)
2024-08-16 09:40本頁(yè)面
【正文】 。致謝作者要感謝審稿人對(duì)改進(jìn)這篇論文的寶貴建議。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)。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）。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。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(méi)有任何技術(shù)的預(yù)處理。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)。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?？蓴U(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。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）。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。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。這一特征的可視化是一個(gè)很好的示范dmilwdds是我們學(xué)習(xí)。我們可以看到，從1塊特征的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。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。然而，由于其病變區(qū)域的一些塊屏蔽，識(shí)別結(jié)果的39。如圖7所示（一），原圖像的正確分類為“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）。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。（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）。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。leaf銹”。powdery霉變”、“39。leaf斑”、“生銹”、“39。小麥疾病領(lǐng)域的dmilwdds本土化的例子（VGG fvd16）。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8。圖7。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。smut”和“39。leaf 39。從左到右的六列意象分別是“糠”，“39。圖9。powdery霉”沉重的擊穿，其類別精度僅為2%，%，這一類，這是一個(gè)顯著的性能提升。powdery霉”是一種疾病，是區(qū)分小麥由CNN，如圖6所示，因?yàn)樗囊曈X(jué)癥狀是白色的小斑點(diǎn)，很容易被CNN合并操作。第二，dmilwdds框架可以有效地處理一些樣品，傳統(tǒng)CNN無(wú)法處理。表3。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。圖5顯示了不同聚合總精度dmilwdds MIL函數(shù)模型的比較。三聚合函數(shù)的vggfvd16優(yōu)于vggnvd16類中除了“糠”，%，總準(zhǔn)確率，%%。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，%%。結(jié)果與討論。我們運(yùn)行我們的代碼在GeForce GTX 1080 GPU。精度估計(jì)每個(gè)深模型，我們報(bào)告我們的測(cè)試精度每小麥病害以及超過(guò)5交叉驗(yàn)證平均方式總的準(zhǔn)確性。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。傳統(tǒng)的CNN的架構(gòu)，該vggn 。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。數(shù)據(jù)集我們?cè)u(píng)估我們的dmilwdds對(duì)野外采集的數(shù)據(jù)wdd2017小麥。（3）（5）分別。請(qǐng)注意，vggns和vggfs具有相同數(shù)量的參數(shù)，以及vggnvd16和vggfvd16?；趥鹘y(tǒng)的CNN的模式，我們開(kāi)發(fā)的vggfs和vggfvd16作為我們的基本dmilwdds框架模型。實(shí)驗(yàn)我們驗(yàn)證了dmilwdds效果在wdd2017進(jìn)行一些實(shí)驗(yàn)中的幾個(gè)模型來(lái)估計(jì)測(cè)試的精度和顯示定位結(jié)果。4g服務(wù)的條件下，處理速度可以達(dá)到1s /圖像上的GeForce GTX 1080 GPU，能夠滿足實(shí)時(shí)應(yīng)用。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。因此，我們只是植入數(shù)據(jù)采集模塊和移動(dòng)端交互模塊，但是決策和計(jì)算模塊在服務(wù)器端，包括訓(xùn)練函數(shù)模型。實(shí)時(shí)設(shè)計(jì)。最佳顏色觀看。powdery霉變的例子”。圖6。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。（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）。所有的表演dmilwdds模型不同的聚合函
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1