田間小麥病害自動(dòng)診斷系統(tǒng)-文庫吧資料
2024-08-18 09:40本頁面
【正文】 數(shù)的5倍交叉驗(yàn)證表明盒狀圖。因此，我們對圖像做了BX識(shí)別九如下： （7）圖5。1 FCN，其中聚合為PC X米框架顯示在Eqs。1；。識(shí)別與定位。我們的網(wǎng)絡(luò)架構(gòu)，一個(gè)圖像映射到一個(gè)BK班級成績PK，W是我們FCN權(quán)重向量。..；我們用W240。..；N與圖像的標(biāo)簽，TK 2 F0；1gc，這是維一熱載體由元素TC K；C188。訓(xùn)練數(shù)據(jù)集的圖像188。根據(jù)MIL框架，如果我們使用Softmax作為我們的聚集功能，含C的BK的概率可以寫為： (3)A和Eq.（2）的論點(diǎn)相同。..；經(jīng)營的和C 2 F1；。F1；。我；J222。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。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。如圖2所示，我們將我們的dmilwdds模型分為兩部分，其中一個(gè)實(shí)現(xiàn)了圖像的層次劃分，即小麥病害的識(shí)別，另一個(gè)實(shí)現(xiàn)疾病的區(qū)域定位。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象的圖像作為MIL中相應(yīng)種類的正包。Max agg，AVG的和軟的對應(yīng)三DMIL wdds不同聚集功能在MIL框架。表3 精度（%）每班以及總在傳統(tǒng)的CNN的架構(gòu)和dmilwdds模型wdd2017（平均177。最佳顏色觀看。綠線表示二值圖像上的檢測輪廓。 圖4?？紤]到重疊區(qū)域造成的FCN，我們的規(guī)模最小的盒子里按一定比例均勻，這有助于疾病領(lǐng)域的精確定位。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(jìn)行輪廓提取操作。對于所有的權(quán)重層非線性激活函數(shù)（除了“39。stride”是卷積步幅和“39。lrn”是局部反應(yīng)正常化（krizhevsky et al.，2012）。 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)。32。顯然，每個(gè)得分點(diǎn)對應(yīng)一個(gè)224？調(diào)整大小后的輸入圖像中的224平方區(qū)域。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。（為了解釋這個(gè)圖例中對顏色的引用，讀者可以參考本文的Web版本）。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。圖3。1024個(gè)卷積核大小為512？ 7？ ，處理其他完全連接層以獲得稱為VGGFCNVD16的FCN。 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。 1000修改至1024。在這項(xiàng)工作中，VGGCNNVD16的完全連接層的通道從f4096。以VGGCNNVD16為例（Simonyan和Zisserman，2014），其最終輸出的相應(yīng)領(lǐng)域?qū)嶋H上是整個(gè)224？ 224圖像。 CNN中每個(gè)卷積層的輸出是一個(gè)尺寸為d？的三維張量， H ？ w，稱為特征地圖，其中h和w是特征地圖的空間維度，d是特征地圖或通道的數(shù)量。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。請注意，我們只是依賴于包級標(biāo)簽來執(zhí)行基于梯度的反向傳播算法在MIL假設(shè)。其中一個(gè)是一個(gè)恒定的控制程度，softmax聚合函數(shù)近似硬最大聚合函數(shù)。NK 1eapc kJ；240。P NK J188。..；電腦專業(yè)222。FS240?；蛩耍▍堑?，2015）。；avgj240。其中F可以maxj240。；240。PC電腦K2 K1；。188。CK188。包BK的聚合函數(shù)f可以表示為：PC K188。下一個(gè)工作是找到一個(gè)聚合函數(shù)f，它可以適當(dāng)?shù)鼐幋aMIL假設(shè)。條件概率；C 2 F1；。CKJ188。該實(shí)例Bkj是C類記為PC KJ188。..；CG是袋BK類標(biāo)簽，和CKJ 2 F1；。..；吳，和BK的實(shí)例表示為bk1；。對于分類任務(wù)，假設(shè)是從袋袋組反饋；K188。多示例學(xué)習(xí)集成（MIL）多示例學(xué)習(xí)（MIL）是一種弱監(jiān)督學(xué)習(xí)方法，它的目的是通過使用包而不是實(shí)例的注釋來減少標(biāo)簽的工作量。表1小麥病害數(shù)據(jù)庫的組成（2017 wdd2017）。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。注意，wdd2017已均勻分為5組進(jìn)行交叉驗(yàn)證，其中4組作為訓(xùn)練集和一組作為測試集。為此，本研究收集了9230種小麥圖像，在圖像級標(biāo)注了7種小麥病害，包括健康的。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。因此，我們的工作對于進(jìn)一步的研究是有價(jià)值的。一方面，本系統(tǒng)針對田間小麥病害自動(dòng)診斷，更貼近實(shí)際情況，為精準(zhǔn)農(nóng)業(yè)提供技術(shù)支持和服務(wù)。在本文中，一個(gè)新的函數(shù)是用來減少計(jì)算成本和執(zhí)行實(shí)例級疾病同時(shí)估計(jì)，這相當(dāng)于一個(gè)滑動(dòng)窗口操作對整個(gè)圖像。FCN是長等人首先提出了。（2015）提出了一個(gè)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。為了減少繁瑣的人工標(biāo)注盡可能同時(shí)實(shí)現(xiàn)目標(biāo)定位，有些作品側(cè)重于組合學(xué)深密的框架（Pinheiro和collobert，2015；吳等人，2015）。MIL是Dietterich等人首先介紹。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(shí)別模型，這些模型不適用于野生環(huán)境。同樣，Mohanty等人。sladojevic等人。（2016）提出了一種多快rn模型，即DeepFruits，發(fā)揮實(shí)時(shí)水果檢測。（DyrmCNN et al.，2016；grin
數(shù)學(xué)相關(guān)推薦
鄂ICP備17016276號(hào)-1