CN110298388A - 基于改进vgg19网络的玉米5种旱情识别方法 - Google Patents
基于改进vgg19网络的玉米5种旱情识别方法 Download PDFInfo
- Publication number
- CN110298388A CN110298388A CN201910498674.1A CN201910498674A CN110298388A CN 110298388 A CN110298388 A CN 110298388A CN 201910498674 A CN201910498674 A CN 201910498674A CN 110298388 A CN110298388 A CN 110298388A
- Authority
- CN
- China
- Prior art keywords
- corn
- drought
- model
- damage caused
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 71
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 71
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 71
- 235000005822 corn Nutrition 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000013526 transfer learning Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 21
- 210000002569 neuron Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 241000196324 Embryophyta Species 0.000 claims description 9
- 238000007477 logistic regression Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000008654 plant damage Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及神经网络、农作物旱情评估等技术，为提出一种基于改进的VGG19网络模型的玉米旱情识别方法,对玉米旱情状况做出判断，为防止玉米干旱提供可靠性保证，保证玉米正常生长，水分充足。为此，本发明采取的技术方案是，基于改进VGG19网络的玉米5种旱情识别方法，通过VGG19人工神经网络建立作物旱情识别模型，通过迁移学习的方法将参数共享到该模型中，优化全连接层的层数和参数，在全连接层后用5分类的归一化指数SoftMax的分类器进行分类，对模型进行训练并进行测试。本发明主要应用于农作物旱情评估场合。
Description
技术领域：
本发明属于神经网络领域，特别涉及卷积神经网络。具体讲，涉及玉米图像预处理和基于卷积神经网络的玉米旱情识别方法。
背景技术：
干旱现象破坏力强，持续周期长，是人们从古至今在农业生活中面临的主要问题。干旱本身作为一种复杂的现象难以直接观测其发生时间、发展过程以及影响范围。作物在干旱胁迫情况下，根据受旱状态和程度会导致作物的形状和状态发生变化。
通过人工神经网络对作物旱情进行识别与传统通过机器学习方法对训练样本进行训练相比具有更为独特的优势：(1)初始识别能力强；(2)泛化能力强；(3)不依靠专业知识；(4)能对干旱水平进行分类。因此，通过神经网络对作物进行旱情识别有更广泛的发展空间和应用前景。
然而，对玉米旱情进行识别仍面临较大的挑战，主要有以下几个方面：
1.经典模型初始识别能力往往很强，但后期进行推广时泛化能力差，随着新样本逐渐加入，模型分类效果逐渐下降；
2.经典模型往往仅停留在是否存在旱情的程度，无法对干旱水平进行有效分类；
3.受拍摄位置、角度、光照等条件影响，图像质量不高。
上诉的几种因素对玉米旱情识别造成了很大的困难，所以，本发明提供了一种基于改进的VGG19网络模型的玉米旱情识别方法，VGG(Visual Geometry Group，视觉几何组)网络体系由牛津大学科学工程系集合视觉组提出，19代表卷积层和全连接层的层数。通过该发明，可以有效对玉米旱情进行识别与分类，并对光照、拍摄位置等有较强的鲁棒性。
发明内容
为克服现有技术的不足，本发明旨在提出一种基于改进的VGG19网络模型的玉米旱情识别方法,对玉米旱情状况做出判断，为防止玉米干旱提供可靠性保证，保证玉米正常生长，水分充足。为此，本发明采取的技术方案是，基于改进VGG19网络的玉米5种旱情识别方法，通过VGG19人工神经网络建立作物旱情识别模型，通过迁移学习的方法将参数共享到该模型中，优化全连接层的层数和参数，在全连接层后用5分类的SoftMax(归一化指数)的分类器进行分类，对模型进行训练并进行测试。
具体步骤细化如下：
步骤1对图像进行预处理：
(1)将玉米图像大小从640×480缩放为197×197后再对图像进行0.75-1.25倍随机缩放；
(2)随机旋转图像15度；
(3)对颜色通道进行随机转换；
(4)对图像水平方向随机翻折
(5)对图像进行归一化处理；
步骤2迁移学习：
VGG19网络通过100万幅图像的数据库训练得到，将一层层网络中卷积层和池化层每个节点的权重从一个训练好的网络迁移到一个全新的网络中，迁移之后的网络称为预训练模型，在预训练模型的基础上进行优化，解决玉米旱情识别问题；
步骤3冻结中间层：
冻结卷积层和池化层，其中，卷积结果计算公式如下：
其中x为接受域(m，n)的二维向量，w是长为j,宽为i的卷积核，b是输出所加的偏执项；m是二维向量的长，n是二维向量的宽，f为激活函数；
步骤4优化全连接层层数：
在卷积层和池化层后添加4个全连接层，第1个全连接层神经元个数为4096个，第2个全连接层神经元个数为4096个，第3个全连接层神经元个数为1000个，第4个全连接层神经元个数为1024个；
步骤5添加分类器：
针对玉米旱情识别需求，在全连接层后使用一个5分类的Softmax分类器对玉米旱情进行分类，逻辑斯蒂(Logistic)回归模型计算公式如下：
g(x)＝w0+w1x1+w2x2+…+wnxn
其中向量x＝(x1,x2,…,xn)由n个独立变量组成，P(y＝1|x)代表事件x发生的可能性；
当Logistic回归模型应用到多分类问题中就产生了SoftMax分类器。SoftMax分类器输入为样本特征，输出为样本属于各个类别的概率，训练样本集由k个被标签的样本构成：
T＝{(x(1),y(1)),(x(2),y(2)),…,(x(k),y(k))}
其中y(u)是分类标签，是x(u)样本类别；
单个样本是第k类的概率为：
P(y＝j|x)(j＝1,2,…,k)
其中j代表不同样本类别；
步骤6模型训练与测试：
VGG19模型中共含有16个卷积层，5个池化层，4个全连接层和1个5分类的Softmax分类器，其中卷积层和全连接层的激活函数选择线性整流函数，优化函数选用自适应时刻方法，损失函数选用交叉熵函数，输入的玉米植株图像首先经过两个卷积层后进入第一个池化层，然后经过两个卷积层后进入第二个池化层，再经过四个卷积层后进入第三个池化层，之后经过四个卷积层后进入第四个池化层，最后经过四个卷积层后进入第五个池化层，经过池化层后图像通过四个全连接层后进入5分类的Softmax分类器，分类器输出最大值对应的类别即为玉米植株干旱程度类别，从玉米数据集中随机抽出70％作为训练集，20％作为验证集，10％作为测试集，对模型进行训练、改进与测试。为减小系统压力，每次读取32张图像，分158次读取完成，学习过程中根据优化函数不断更新权重，随着权重的变化，损失函数值越来越小，识别正确率越来越高，将学习率设为0.05并重复训练9次得到识别模型，重复上述操作10次，对识别模型正确率取平均值。
本发明的特点及有益效果是：
从5类干旱程度玉米图像数据集中分别随机抽出70％作为训练集，其中正常玉米图像3223幅，轻旱玉米图像370幅，中旱玉米图像371幅，重旱玉米图像378幅，特旱玉米图像369幅。随机选择另外20％图像作为验证集，其中正常玉米图像920幅，轻旱玉米图像107幅，中旱玉米图像106幅，重旱玉米图像107幅，特旱玉米图像105幅。将样本库中剩余的10％玉米植株图像作为测试集，分别为适宜玉米图像460幅、轻旱玉米图像53幅、中旱玉米图像53幅、重旱玉米图像54幅、特旱玉米图像53幅。为了检验本模型的性能，我们将其与支持向量机、VGG16网络、inceptionv3(开端第三版本)网络进行对比。重复上述随机选择过程10次，对十次正确率求均值，结果为最终正确率。试验结果如表1所示，从中可以看出，本发明提出的模型不仅平均识别正确率较高，各种干旱程度识别正确率的方差也较小。相对于传统方法能更好的对玉米旱情进行识别。
表1
附图说明：
图1基于改进的VGG19网络玉米旱情识别模型训练流程图。
图2玉米图像样本：(a)正常生长前期样本；(b)正常生长后期样本。
图3不同图像分辨率样本的训练结果。
具体实施方式：
本发明采用的技术方案是：保留原VGG19网络卷积层和池化层，通过迁移学习的方法将参数共享到该模型中。优化全连接层的层数和参数。在全连接层后用5分类的SoftMax的分类器进行分类。对模型进行训练并进行测试。
具体步骤细化如下：
步骤1对图像进行预处理：
(1)将玉米图像大小从640×480缩放为197×197后再对图像进行0.75-1.25倍随机缩放；
(2)随机旋转图像15度；
(3)对颜色通道进行一定程度随机转换；
(4)对图像水平方向随机翻折
(5)对图像进行归一化处理；
步骤2迁移学习：
为减小训练网络所用时间和资源，通过迁移学习将已训练好的模型参数迁移到本模型中。将一层层网络中卷积层和池化层每个节点的权重从一个训练好的网络迁移到一个全新的网络中，而不是从头开始训练模型的行为叫做迁移学习。迁移之后的网络称为预训练模型。VGG19网络通过ImageNet(斯坦福大学的图像数据库)上的100万幅图像的数据库训练得到，学习能力优秀，大量参数不用进行再次训练，使用该预训练模型能满足实际要求。在预训练模型的基础上进行优化，解决玉米旱情识别问题；
步骤3冻结中间层：
为减少训练量，减小系统复杂度，冻结卷积层和池化层。卷积层的主要作用是产生特征，本质是图像块与卷积核进行的线性运算，卷积结果计算公式如下：
其中x为接受域(m，n)的二维向量，w是长为j,宽为i的卷积核，b是输出所加的偏执项；m是二维向量的长，n是二维向量的宽，f为激活函数；
池化层主要作用是特征降维，压缩数据和参数的数量，减小过拟合，提高模型的兼容性；
步骤4优化全连接层层数：
全连接层一般用于卷积层、池化层与输出层之间，将卷积层高度抽象化的特征进行整合，形成一个类似浅层神经网络的多层感知机，在整个神经网络中起到“分类器”的作用，将学到的“分布式特征表示”映射到样本标记空间的作用，大大减少特征位置对分类带来的影响。针对玉米旱情识别需求，在卷积层和池化层后添加4个全连接层，第1个全连接层神经元个数为4096个，第2个全连接层神经元个数为4096个，第3个全连接层神经元个数为1000个，第4个全连接层神经元个数为1024个；
步骤5添加分类器：
针对玉米旱情识别需求，在全连接层后使用一个5分类的Softmax分类器对玉米旱情进行分类。传统的Logistic回归模型只能解决二分类问题，Logistic回归模型计算公式如下：
g(x)＝w0+w1x1+w2x2+…+wnxn
其中向量x＝(x1,x2,…,xn)由n个独立变量组成，P(y＝1|x)代表事件x发生的可能性；
当Logistic回归模型应用到多分类问题中就产生了SoftMax分类器。SoftMax分类器输入为样本特征，输出为样本属于各个类别的概率。训练样本集由k个被标签的样本构成：
T＝{(x(1),y(1)),(x(2),y(2)),…,(x(k),y(k))}
其中y(u)是分类标签，是x(u)样本类别；
单个样本是第k类的概率为：
P(y＝j|x)(j＝1,2,…,k)
其中j代表不同样本类别；
步骤6模型训练与测试：
从玉米数据集中随机抽出70％作为训练集，20％作为验证集，10％作为测试集，对模型进行训练、改进与测试；
下面结合附图和具体实例进一步详细说明本发明。
为解决现有技术中存在的问题，本发明利用神经网络对玉米旱情进行识别。
玉米品种为郑单958，2014年6月18日播种，种植密度为60030株/hm2，每池2行×6株。生长前期土壤水份正常供应，保证玉米正常出苗。将玉米正常出苗以后至成熟的生长时期分为生育前期(出苗-大喇叭口期，下同)、生育中期(大喇叭口期-灌浆期，下同)、生育后期(灌浆-成熟期，下同)三个生育阶段。本发明提供了一种基于神经网络的玉米旱情识别方法。以玉米正常、轻旱、中旱、重旱和特旱五类图像样本为研究对象。首先通过迁移学习将ImageNet训练的参数迁移到本发明中，冻结卷积层和池化层后对全连接层和分类器进行优化，通过训练形成模型并通过验证集对其进行优化从而得到最终训练模型。在玉米的生长阶段对植株的旱情状况做出判断，为农业工作人员后续的工作做准备，保证玉米供水充足，植株正常生长，防止灾害发生。算法步骤如下：
步骤1对图像进行预处理：
(1)将玉米图像大小从640×480缩放为197×197后再对图像进行0.75-1.25倍随机缩放；
将原始图像分为(a×197)×(a×197)个互不相交的小块，计算小块内像素的平均值，该值作为缩小图像对应的像素值。
a为缩放系数；
(2)随机旋转图像15度；
顺时针或逆时针旋转图像15度，旋转后空余的像素值用黑色填充；
(3)对颜色通道进行一定程度随机转换；
按照设置的概率对图像每个像素点R、G、B三个通道内的像素值进行交换；
(4)对图像水平方向随机翻折；
以x＝99为对称轴，按照设置的概率对图像每个像素点进行翻折，翻折后会将该像素点的像素值赋给对称位置上的像素点。
(5)对图像进行归一化处理。
重新对图像每个像素点R、G、B三个通道像素值进行计算，归一化后R’、B’、G’像素值计算公式如下：
步骤2迁移学习：
为减小训练网络所用时间和资源，通过迁移学习将已训练好的模型参数迁移到本模型中。VGG19网络通过ImageNet上的100万幅图像的数据库训练得到，学习能力优秀，大量参数不用进行再次训练，使用该预训练模型能满足实际要求。在预训练模型的基础上进行优化，解决玉米旱情识别问题；
步骤3优化的全连接层层数：
全连接层一般用于卷积层、池化层与输出层之间，将卷积层高度抽象化的特征进行整合，形成一个类似浅层神经网络的多层感知机，在整个神经网络中起到“分类器”的作用，将学到的“分布式特征表示”映射到样本标记空间的作用，大大减少特征位置对分类带来的影响，全连接层还能在模型表示能力迁移过程中充当刚“防火墙”的作用。针对玉米旱情识别需求，在卷积层和池化层后添加4个全连接层，第1个全连接层神经元为4096个，第2个全连接层神经元为4096个，第3个全连接层神经元为1000个，第4个全连接层神经元个数为1024个；
步骤4Softmax分类器：
针对玉米旱情识别需求，在全连接层后使用一个5分类的Softmax分类器对玉米旱情进行分类。传统的Logistic回归模型只能解决二分类问题，Logistic回归模型计算公式如下：
g(x)＝w0+w1x1+w2x2+…+wnxn
其中向量x＝(x1,x2,…,xn)由n个独立变量组成，P(y＝1|x)代表事件x发生的可能性；
当Logistic回归模型应用到多分类问题中就产生了SoftMax分类器。SoftMax分类器输入为样本特征，输出为样本属于各个类别的概率。训练样本集由k个被标签的样本构成：
T＝{(x(1),y(1)),(x(2),y(2)),…,(x(k),y(k))}
其中y(u)是分类标签，是x(u)样本类别；
单个样本是第k类的概率为：
P(y＝j|x) (j＝1,2,…,k)
其中j代表不同样本类别；
步骤5冻结中间层：
为减少训练量，减小系统复杂度，冻结中间层，即冻结卷积层和池化层。卷积层的主要作用是产生特征，本质是图像块与卷积核进行的线性运算，卷积计算公式如下：
其中x为接受域(m，n)的二维向量，w是长为j,宽为i的卷积核，b是输出所加的偏执项；m是二维向量的长，n是二维向量的宽，f为激活函数；
池化层主要作用是特征降维，压缩数据和参数的数量，减小过拟合，提高模型的兼容性，最经典的池化方法为最大池化和平均池化。
步长为2，池化池大小为2的最大池化公式如下：
fmaxpooling＝max(xm,n,xm+1,n,xm,n+1,xm+1,n+1)
步长为2，池化池大小为2的平均池化公式如下：
步骤6模型训练与测试：
改进的VGG19模型中共含有16个卷积层，5个池化层，4个全连接层和1个5分类的Softmax分类器。其中卷积层和全连接层的激活函数选择线性整流函数，优化函数选用自适应时刻方法，损失函数选用交叉熵函数。输入的玉米植株图像首先经过两个卷积层后进入第一个池化层，然后经过两个卷积层后进入第二个池化层，再经过四个卷积层后进入第三个池化层，之后经过四个卷积层后进入第四个池化层，最后经过四个卷积层后进入第五个池化层。经过池化层后图像通过四个全连接层后进入5分类的Softmax分类器，分类器输出最大值对应的类别即为玉米植株干旱程度类别。从玉米数据集中随机抽出70％作为训练集，20％作为验证集，10％作为测试集，对模型进行训练、改进与测试。为减小系统压力，每次读取32张图像，分158次读取完成。学习过程中根据优化函数不断更新权重，随着权重的变化，损失函数值越来越小，识别正确率越来越高。将学习率设为0.05并重复训练9次得到识别模型。重复上述操作10次，对识别模型正确率取平均值，平均识别正确率85％，效果较好；
从试验结果来看，本发明提出的基于图像处理技术的玉米植株旱情识别具有一定的可行性，为农业旱情识别提供了新思路，对降低玉米干旱灾害，减少经济损失，维护国家粮食安全有重要的意义。
Claims (3)
1.一种基于改进VGG19网络的玉米5种旱情识别方法，其特征是，通过视觉几何组VGG19人工神经网络建立作物旱情识别模型，通过迁移学习的方法将参数共享到该模型中，优化全连接层的层数和参数，在全连接层后用5分类的归一化指数SoftMax的分类器进行分类，对模型进行训练并进行测试。
2.如权利要求1所述的基于改进VGG19网络的玉米5种旱情识别方法，其特征是，具体步骤细化如下：
步骤1对图像进行预处理：
(1)将玉米图像大小从640×480缩放为197×197后再对图像进行0.75-1.25倍随机缩放；
(2)随机旋转图像15度；
(3)对颜色通道进行随机转换；
(4)对图像水平方向随机翻折
(5)对图像进行归一化处理；
步骤2迁移学习：
VGG19网络通过100万幅图像的数据库训练得到，将一层层网络中卷积层和池化层每个节点的权重从一个训练好的网络迁移到一个全新的网络中，迁移之后的网络称为预训练模型，在预训练模型的基础上进行优化，解决玉米旱情识别问题；
步骤3冻结中间层：
冻结卷积层和池化层，其中，卷积结果计算公式如下：
其中x为接受域(m，n)的二维向量，w是长为j,宽为i的卷积核，b是输出所加的偏执项；m是二维向量的长，n是二维向量的宽，f为激活函数；
步骤4优化全连接层层数：
在卷积层和池化层后添加4个全连接层，第1个全连接层神经元个数为4096个，第2个全连接层神经元个数为4096个，第3个全连接层神经元个数为1000个，第4个全连接层神经元个数为1024个；
步骤5添加分类器：
针对玉米旱情识别需求，在全连接层后使用一个5分类的Softmax分类器对玉米旱情进行分类，逻辑斯蒂(Logistic)回归模型计算公式如下：
g(x)＝w0+w1x1+w2x2+…+wnxn
其中向量x＝(x1,x2,…,xn)由n个独立变量组成，P(y＝1|x)代表事件x发生的可能性；
当Logistic回归模型应用到多分类问题中就产生了SoftMax分类器。SoftMax分类器输入为样本特征，输出为样本属于各个类别的概率，训练样本集由k个被标签的样本构成：T＝{(x(1),y(1)),(x(2),y(2)),…,(x(k),y(k))}
其中y(u)是分类标签，是x(u)样本类别；
单个样本是第k类的概率为：
P(y＝j|x)(j＝1,2,…,k)
其中j代表不同样本类别；
步骤6模型训练与测试。
3.如权利要求1或2所述的基于改进VGG19网络的玉米5种旱情识别方法，其特征是，VGG19模型中共含有16个卷积层，5个池化层，4个全连接层和1个5分类的Softmax分类器，其中卷积层和全连接层的激活函数选择线性整流函数，优化函数选用自适应时刻方法，损失函数选用交叉熵函数，输入的玉米植株图像首先经过两个卷积层后进入第一个池化层，然后经过两个卷积层后进入第二个池化层，再经过四个卷积层后进入第三个池化层，之后经过四个卷积层后进入第四个池化层，最后经过四个卷积层后进入第五个池化层，经过池化层后图像通过四个全连接层后进入5分类的Softmax分类器，分类器输出最大值对应的类别即为玉米植株干旱程度类别，从玉米数据集中随机抽出70％作为训练集，20％作为验证集，10％作为测试集，对模型进行训练、改进与测试。为减小系统压力，每次读取32张图像，分158次读取完成，学习过程中根据优化函数不断更新权重，随着权重的变化，损失函数值越来越小，识别正确率越来越高，将学习率设为0.05并重复训练9次得到识别模型，重复上述操作10次，对识别模型正确率取平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498674.1A CN110298388A (zh) | 2019-06-10 | 2019-06-10 | 基于改进vgg19网络的玉米5种旱情识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498674.1A CN110298388A (zh) | 2019-06-10 | 2019-06-10 | 基于改进vgg19网络的玉米5种旱情识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110298388A true CN110298388A (zh) | 2019-10-01 |
Family
ID=68027742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910498674.1A Pending CN110298388A (zh) | 2019-06-10 | 2019-06-10 | 基于改进vgg19网络的玉米5种旱情识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110298388A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205054A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 菌丝显微图像识别方法和系统、设备、可读介质 |
| CN113537394A (zh) * | 2021-04-08 | 2021-10-22 | 中国农业大学 | 一种改进vgg-19的冰鲜鲳鱼新鲜度评估方法 |
| CN113554116A (zh) * | 2021-08-16 | 2021-10-26 | 重庆大学 | 一种基于卷积神经网络的荞麦病害识别方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491782A (zh) * | 2017-07-22 | 2017-12-19 | 复旦大学 | 利用语义空间信息的针对少量训练数据的图像分类方法 |
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
| CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
| CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
| CN109558787A (zh) * | 2018-09-28 | 2019-04-02 | 浙江农林大学 | 一种基于卷积神经网络模型的竹林害虫识别方法 |
| CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
-
2019
- 2019-06-10 CN CN201910498674.1A patent/CN110298388A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107491782A (zh) * | 2017-07-22 | 2017-12-19 | 复旦大学 | 利用语义空间信息的针对少量训练数据的图像分类方法 |
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
| CN109241817A (zh) * | 2018-07-02 | 2019-01-18 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
| CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
| CN109558787A (zh) * | 2018-09-28 | 2019-04-02 | 浙江农林大学 | 一种基于卷积神经网络模型的竹林害虫识别方法 |
| CN109657697A (zh) * | 2018-11-16 | 2019-04-19 | 中山大学 | 基于半监督学习和细粒度特征学习的分类优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| KAREN SIMONYAN等: "VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION", 《ARXIV:1409.1556V6[CS.CV]》, 10 April 2015 (2015-04-10), pages 1 - 14 * |
| 尼加提·卡斯木等: "基于卷积网络的沙漠腹地绿洲植物群落自动分类方法", 《农业机械学报》 * |
| 尼加提·卡斯木等: "基于卷积网络的沙漠腹地绿洲植物群落自动分类方法", 《农业机械学报》, 31 January 2019 (2019-01-31) * |
| 高志强等: "《深度学习 从入门到实战》", 中国铁道出版社, pages: 197 - 201 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537394A (zh) * | 2021-04-08 | 2021-10-22 | 中国农业大学 | 一种改进vgg-19的冰鲜鲳鱼新鲜度评估方法 |
| CN113537394B (zh) * | 2021-04-08 | 2024-08-02 | 中国农业大学 | 一种改进vgg-19的冰鲜鲳鱼新鲜度评估方法 |
| CN113205054A (zh) * | 2021-05-10 | 2021-08-03 | 江苏硕世生物科技股份有限公司 | 菌丝显微图像识别方法和系统、设备、可读介质 |
| CN113554116A (zh) * | 2021-08-16 | 2021-10-26 | 重庆大学 | 一种基于卷积神经网络的荞麦病害识别方法 |
| CN113554116B (zh) * | 2021-08-16 | 2022-11-25 | 重庆大学 | 一种基于卷积神经网络的荞麦病害识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
| CN111126333B (zh) | 一种基于轻量卷积神经网络的垃圾分类方法 | |
| CN110298388A (zh) | 基于改进vgg19网络的玉米5种旱情识别方法 | |
| Colak et al. | Automated McIntosh-based classification of sunspot groups using MDI images | |
| CN102524024B (zh) | 基于计算机视觉的作物灌溉系统 | |
| CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
| CN110533086A (zh) | 图像数据半自动标注方法 | |
| CN109272500A (zh) | 基于自适应卷积神经网络的织物分类方法 | |
| CN107657281A (zh) | 一种基于改进的卷积神经网络的图像识别方法 | |
| CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| CN112241679A (zh) | 一种垃圾自动分类的方法 | |
| CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
| CN106845497A (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
| Mariadass et al. | EXtreme gradient boosting (XGBoost) regressor and shapley additive explanation for crop yield prediction in agriculture | |
| CN111611972A (zh) | 基于多视图多任务集成学习的作物叶片种类识别方法 | |
| CN115661544B (zh) | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 | |
| CN108776835A (zh) | 一种深度神经网络训练方法 | |
| CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
| CN114140403A (zh) | 一种基于卷积神经网络的植物叶片病害检测方法 | |
| CN108376257A (zh) | 一种燃气表不完整码字识别方法 | |
| Shambharkar et al. | Plant Disease Detection And Prevention Using Deep Learning | |
| Lv | Classification of Grapevine Leaf Images with Deep Learning Ensemble Models | |
| CN109615610A (zh) | 一种基于YOLO v2-tiny的医用创可贴瑕疵检测方法 | |
| CN113011488A (zh) | 一种基于目标检测的春石斛生长状态检测方法 | |
| CN116563714A (zh) | 一种自动化判别水稻生长阶段的方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191001 |
|
| RJ01 | Rejection of invention patent application after publication |