CN110751193B - 一种基于中层特征扩展卷积网络的农作物病害分析方法 - Google Patents
一种基于中层特征扩展卷积网络的农作物病害分析方法 Download PDFInfo
- Publication number
- CN110751193B CN110751193B CN201910950143.1A CN201910950143A CN110751193B CN 110751193 B CN110751193 B CN 110751193B CN 201910950143 A CN201910950143 A CN 201910950143A CN 110751193 B CN110751193 B CN 110751193B
- Authority
- CN
- China
- Prior art keywords
- layer
- convolution
- picture
- conv
- crop
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 38
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 38
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 208000031940 Disease Attributes Diseases 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
Images
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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Image Analysis (AREA)
Abstract
基于中层特征扩展卷积网络的农作物病害分析方法,首先对数据进行清洗,将数据集分为训练集和测试集,比例按照9:1的比例来分配。并对dataloader进行相应编写;然后构建Bottleneck模块和构建中层特征扩展模块,基于这两种模块构建构建特征提取深度卷积神经网络;对训练图片进行数据增强、标准化,先用大的学习率预训练模型,再用小的学习率和权重衰减微调模型。最后通过读取农作物图片作为模型输入,并保存模型输出信息的方式,实现用中层特征扩展深度卷积神经网络对农作物病害进行有效、迅速的识别。
Description
技术领域
本发明涉及一种农作物病害分析方法。
背景技术
由于人工智能领域里的各类应用有很大的应用,利用深度卷积网络对农作物病害进行预测可以有效提高农业生产效率,提升农业经济效益,减少病害的损失。
传统农业中由于农田地广,工作人员无法及时的获取农作物病害的信息,这意味着在无法在病害的初级阶段进行保护,隔离等措施,等至病害大规模发生时,农业从业人员的无法有效控制病害蔓延,造成巨大经济损失。
对于传统神经网络中,通常使用分类方法进行学习,但是对于多分类系统,即分类数量过多,可能会出现模型性能下降的情况,因为多个分类可能十分相似,造成模型无法有效进行分类,在学习过程中会造成模型准确度的损失,进而造成识别效率的低下。
发明内容
本发明要克服现有技术的上述缺点,提供一种基于中层特征扩展卷积网络的农作物病害分析方法。
为了实现顾客的分析方法,本发明设计一种基于中层特征扩展卷积网络的深度卷积神经网络的农业病害分析方法,使用传统卷积神经网络架构,在多个网络特征层中引入中层网络的特征图结合拼接的方法,提升有效信息的利用。在一定程度上缓解多分类带来的精度降低的影响。对大规模农业生产病害预测提供了新的解决思路,能在一些小规模农业产业中进行应用,并不断迭代算法达到较好的效果。
本发明解决其技术问题采用的技术方案是:
一种基于中层特征扩展卷积网络的农作物病害分析方法,含有以下步骤:
(1)清洗数据:
步骤11:构建数据集;
农作物病害检测数据集的图片含有对应的标注JSON文件,与图片一一对应;将农作物病害检测数据集的图片分成两份,一份是训练集,一份是测试集;
步骤12:修改dataloader类,设计成与农业数据集相对应设置;
本次数据集包含的标注含有包含两个属性,图片id以及图片分类;需要对dataloader进行如下修改:对process_dir方法进行路径的字符串拼接,获取图片在项目中的绝对路径,设置path存储图片路径,设置label存储图片标签;
(2)构建中层特征扩展卷积神经网络;
步骤21:构建Bottleneck结构;
Bottleneck是一种基于残差模型Residual_block构建出来的模块,用于处理梯度消失和梯度爆炸的问题;Residual_block通过shortcut connection将输入输出进行一个element-wise的叠加,通过这个操作,大大增加模型的训练速度,提高训练效果;
Bottleneck采用三层卷积结构,每一层的卷积核的数量随着输入的不同进行变化;首层采用1*1的卷积核进行卷积,在经过BN层进行归一化,这一层没有Relu,输出维度为56*56*64;第二层采用3*3的卷积核进行卷积,设置步长为1,并设置padding为1,经过BN层进行归一化和Relu层,输出维度为56*56*64;第三层结构为1*1的卷积核,输出维度为56*56*256;
Bottleneck结构另外还有一个直连层,使用卷积核为1*1的卷积核,输出维度为56*56*256,需要经过BN层进行归一化;之后将直连层和三层主结构的输出进行相加,并输入Relu层后输出;
步骤22:构建中层特征扩展模块;
中层特征扩展模块是将深层卷积网络当中的中层输出提出取出来进行单独池化及拼接的操作,操作步骤如下;
首先将相邻的两层特征图单独取出,并分别输入最大池化层中,之后将输出的特征图进行拼接操作,最后使用全连接层进行降维操作;当多个相邻特征图进行凭借及全连接层后,最后再进行拼接成3072维的向量;
步骤23:构建特征提取模块;
首先将多个Bottleneck堆叠形成深度卷积模型;整个网络堆积如下:
首先Conv_2层由3个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核64个,第二层3*3的卷积核64个,第三层1*1的卷积核256个;
Conv_3层由4个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核128个,第二层3*3的卷积核128个,第三层1*1的卷积核512个;
Conv_4层由6个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核256个,第二层3*3的卷积核256个,第三层1*1的卷积核1024个;
Conv_5层由3个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核512个,第二层3*3的卷积核512个,第三层1*1的卷积核2048个;
图片输入Bottleneck模块之前需要经过1个7*7的卷积层,输入维度为244*244*3,输出为112*112*64;之后经过BN层以及Relu层;最后还需要经过池化层,最后到Bottleneck模块的输出为56*56*64;
选择对Conv_5层的3层Bottleneck以及Conv_4层的最后两层Bottleneck进行中层特征扩展,将Conv_4e和Conv_4f,Conv_5a,Conv_5b以及Conv_5c分别进行最大池化操作;之后将Conv_4e和Conv_4f,Conv_5a和Conv_5b分成一组进行拼接,最后再将拼接后的特征图和Conv_5c再进行一次拼接,最后通过全连接层得到多分类结果;
(3)训练中层特征推展卷积神经网络;
步骤31:数据预处理;
首先将需要将数据进行处理,由于数据的不平衡性,需要对数据进行数据增强;首先将图片通过resize函数转换成224*224的大小;
接着使用多次预处理方法,包括随机水平翻转,随机30度移动,随机垂直翻转,随机4倒置等多个预处理步骤;
最后转化为Tensor之后进行一个标准化处理;
步骤32:训练模型;
加载步骤(2)构建的卷积神经网络,采用Adam优化算法,将每次训练模型得到的结果根据交叉熵损失函数得到的参数进行反向传播,优化神经网络里面的参数;预训练中每个批次大小为64,学习率为0.01,总共训练40个epoch;
交叉熵算法如下:
步骤33:模型微调;
从步骤32中加载在测试集中精度最高的模型,调整学习率为0.0005,继续利用sgd算法继续训练40个epoch;
(4)识别并记录农作物病害属性;
步骤41:读取农作物图片;
农作物病害分析模型分析的是具有病害特征的农作物图片,所以图片选择有完整信息的农作物图片,例如包含完整的叶子信息,通过叶子的外形信息就可以判断植物的属性;将包含特征信息的农作物图片保存至电脑中,提供给训练好的模型分析病害程度;
步骤42:使用模型分析农作物图片;
加载步骤33中训练好的中层特征扩展卷积神经网络模型的结构和权重,将步骤41中读取的农作物图片作为卷积神经网络的输入,经过卷积池化得到农作物的3072维特征向量输出,最后通过softmax函数得到分类特征;61分类维特征中最大的维度即为当前的农作物图片的病害程度分类;
步骤43:保存农作物分类信息;
按照农作物图片输出结果将当前图片的文件名修改为模型分类结果。
与现有技术相比,本发明技术方案的优点有:
(1)本发明使用单个神经网络完成对多分类农作物病害分类及程度分析,提升农业产业对农作物病害的预测能力,降低农作物遭受大量病害造成的经济损失;
(2)本发明使用中层特征扩展卷积神经网络,对农作物的多达61个分类进行同时分析,提升多分类下精度下降的需求。
附图说明
图1是本发明的Bottleneck结构示意图;
图2是本发明的中层特征扩展模块示意图;
图3是本发明的总框架流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图和实施例对本发明作进一步的详细描述。
实施例1:
一种基于中层特征扩展卷积网络的农作物病害分析方法,含有以下步骤:
(1)清洗数据
步骤11:构建数据集;
本发明使用创新工厂举办的AI全球挑战赛中农作物病害检测数据集,本数据共有36258张图片,其中含有对应的标注JSON文件,与图片一一对应。将36258张图片分成两份,一份是训练集,一份是测试集,其中训练集共有图片31718张,测试集共有图片4540张。
步骤12:修改dataloader类,设计成与农业数据集相对应设置;
本次数据集包含的标注含有包含两个属性,图片id以及图片分类。需要对dataloader进行如下修改。对process_dir方法进行路径的字符串拼接,获取图片在项目中的绝对路径,设置path存储图片路径,设置label存储图片标签。
(2)构建中层特征扩展卷积神经网络
步骤21:构建Bottleneck结构;
Bottleneck是一种基于残差模型Residual_block构建出来的模块,用于处理梯度消失和梯度爆炸的问题。Residual_block通过shortcut connection将输入输出进行一个element-wise的叠加,通过这个操作,大大增加模型的训练速度,提高训练效果。
Bottleneck采用三层卷积结构,每一层的卷积核的数量随着输入的不同进行变化。首层采用1*1的卷积核进行卷积,在经过BN层进行归一化,这一层没有Relu,输出维度为56*56*64。第二层采用3*3的卷积核进行卷积,设置步长为1,并设置padding为1,经过BN层进行归一化和Relu层,输出维度为56*56*64。第三层结构为1*1的卷积核,输出维度为56*56*256。
Bottleneck结构另外还有一个直连层,使用卷积核为1*1的卷积核,输出维度为56*56*256,需要经过BN层进行归一化。之后将直连层和三层主结构的输出进行相加,并输入Relu层后输出。
整个Bottleneck结构如图1所示。
步骤22:构建中层特征扩展模块;
中层特征扩展模块是将深层卷积网络当中的中层输出提出取出来进行单独池化及拼接的操作,操作步骤如下。
首先将相邻的两层特征图单独取出,并分别输入最大池化层中,之后将输出的特征图进行拼接操作,最后使用全连接层进行降维操作。当多个相邻特征图进行凭借及全连接层后,最后再进行拼接成3072维的向量。
整个中层特征扩展模块如图2所示。
步骤23:构建特征提取模块;
首先将多个Bottleneck堆叠形成深度卷积模型。整个网络堆积如下:
首先Conv_2层由3个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核64个,第二层3*3的卷积核64个,第三层1*1的卷积核256个。
Conv_3层由4个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核128个,第二层3*3的卷积核128个,第三层1*1的卷积核512个。
Conv_4层由6个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核256个,第二层3*3的卷积核256个,第三层1*1的卷积核1024个。
Conv_5层由3个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核512个,第二层3*3的卷积核512个,第三层1*1的卷积核2048个。
图片输入Bottleneck模块之前需要经过1个7*7的卷积层,输入维度为244*244*3,输出为112*112*64。之后经过BN层以及Relu层。最后还需要经过池化层,最后到Bottleneck模块的输出为56*56*64。
我们选择对Conv_5层的3层Bottleneck以及Conv_4层的最后两层Bottleneck进行中层特征扩展,将Conv_4e和Conv_4f,Conv_5a,Conv_5b以及Conv_5c分别进行最大池化操作。之后将Conv_4e和Conv_4f,Conv_5a和Conv_5b分成一组进行拼接,最后再将拼接后的特征图和Conv_5c再进行一次拼接,最后通过全连接层得到多分类结果。
(3)训练中层特征推展卷积神经网络
步骤31:数据预处理;
首先将需要将数据进行处理,由于数据的不平衡性,需要对数据进行数据增强。首先将图片通过resize函数转换成224*224的大小。
接着使用多次预处理方法,包括随机水平翻转,随机30度移动,随机垂直翻转,随机4倒置等多个预处理步骤。
最后转化为Tensor之后进行一个标准化处理。
步骤32:训练模型;
加载本发明中设计的卷积神经网络,采用Adam优化算法,将每次训练模型得到的结果根据交叉熵损失函数得到的参数进行反向传播,优化神经网络里面的参数。预训练中每个批次大小为64,学习率为0.01,总共训练40个epoch。
交叉熵算法如下:
步骤33:模型微调;
从步骤32中加载在测试集中精度最高的模型,调整学习率为0.0005,继续利用sgd算法继续训练40个epoch。
(4)识别并记录农作物病害属性;
步骤41:读取农作物图片;
农作物病害分析模型分析的是具有病害特征的农作物图片,所以图片选择有完整信息的农作物图片,例如包含完整的叶子信息,通过叶子的外形信息就可以判断植物的属性;将包含特征信息的农作物图片保存至电脑中,提供给训练好的模型分析病害程度;
步骤42:使用模型分析农作物图片;
加载步骤33中训练好的中层特征扩展卷积神经网络模型的结构和权重,将步骤41中读取的农作物图片作为卷积神经网络的输入,经过卷积池化得到农作物的3072维特征向量输出,最后通过softmax函数得到分类特征;61分类维特征中最大的维度即为当前的农作物图片的病害程度分类;
步骤43:保存农作物分类信息;
按照农作物图片输出结果将当前图片的文件名修改为模型分类结果;
实施例2:
(1)选取实验数据
本发明使用创新工厂举办的AI全球挑战赛中农作物病害检测数据集,本数据共有36258张图片,其中含有对应的标注JSON文件,与图片一一对应。将36258张图片分成两份,一份是训练集,一份是测试集,其中训练集共有图片31718张,测试集共有图片4540张。
表1数据集
(2)实验结果
首先将实施例1中的步骤用于训练基于密集网络的多任务卷积神经网络,构造完适合当前数据集的模型之后,先使用0.01的学习率预训练60个epoch,然后加载预训练模型中精度最高的进行微调,用0.001的学习率再训练40个epoch。最终在测试集上的精度可以达到87.44%。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (1)
1.一种基于中层特征扩展卷积网络的农作物病害分析方法,含有以下步骤:
(1)清洗数据:
步骤11:构建数据集;
农作物病害检测数据集的图片含有对应的标注JSON文件,与图片一一对应;将农作物病害检测数据集的图片分成两份,一份是训练集,一份是测试集;
步骤12:修改dataloader类,设计成与农业数据集相对应设置;
本次数据集包含的标注包含两个属性,图片id以及图片分类;需要对dataloader进行如下修改:对process_dir方法进行路径的字符串拼接,获取图片在项目中的绝对路径,设置path存储图片路径,设置label存储图片标签;
(2)构建中层特征扩展卷积神经网络;
步骤21:构建Bottleneck结构;
Bottleneck是一种基于残差模型Residual_block构建出来的模块,用于处理梯度消失和梯度爆炸的问题;Residual_block通过快捷连接将输入输出进行一个元素层面的叠加,通过这个操作,大大增加模型的训练速度,提高训练效果;
Bottleneck采用三层卷积结构,每一层的卷积核的数量随着输入的不同进行变化;首层采用1*1的卷积核进行卷积,在经过BN层进行归一化,这一层没有Relu,输出维度为56*56*64;第二层采用3*3的卷积核进行卷积,设置步长为1,并设置padding为1,经过BN层进行归一化和Relu层,输出维度为56*56*64;第三层结构为1*1的卷积核,输出维度为56*56*256;
Bottleneck结构另外还有一个直连层,使用卷积核为1*1的卷积核,输出维度为56*56*256,需要经过BN层进行归一化;之后将直连层和三层主结构的输出进行相加,并输入Relu层后输出;
步骤22:构建中层特征扩展模块;
中层特征扩展模块是将深层卷积网络当中的中层输出提出取出来进行单独池化及拼接的操作,操作步骤如下;
首先将相邻的两层特征图单独取出,并分别输入最大池化层中,之后将输出的特征图进行拼接操作,最后使用全连接层进行降维操作;当多个相邻特征图进行拼接全连接层后,最后再进行拼接成3072维的向量;
步骤23:构建特征提取模块;
首先将多个Bottleneck堆叠形成深度卷积模型;整个网络堆积如下:
首先Conv_2层由3个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核64个,第二层3*3的卷积核64个,第三层1*1的卷积核256个;
Conv_3层由4个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核128个,第二层3*3的卷积核128个,第三层1*1的卷积核512个;
Conv_4层由6个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核256个,第二层3*3的卷积核256个,第三层1*1的卷积核1024个;
Conv_5层由3个Bottleneck堆叠而成,每个Bottleneck里的卷积层中卷积核数量分别为第一层1*1的卷积核512个,第二层3*3的卷积核512个,第三层1*1的卷积核2048个;
图片输入Bottleneck模块之前需要经过1个7*7的卷积层,输入维度为244*244*3,输出为112*112*64;之后经过BN层以及Relu层;最后还需要经过池化层,最后到Bottleneck模块的输出为56*56*64;
选择对Conv_5层的3层Bottleneck以及Conv_4层的最后两层Bottleneck进行中层特征扩展,将Conv_4e和Conv_4f,Conv_5a,Conv_5b以及Conv_5c分别进行最大池化操作;之后将Conv_4e和Conv_4f,Conv_5a和Conv_5b分成一组进行拼接,最后再将拼接后的特征图和Conv_5c再进行一次拼接,最后通过全连接层得到多分类结果;
(3)训练中层特征推展卷积神经网络;
步骤31:数据预处理;
首先将数据进行处理,由于数据的不平衡性,需要对数据进行数据增强;首先将图片通过resize函数转换成224*224的大小;
接着使用多次预处理方法,包括随机水平翻转,随机30度移动,随机垂直翻转,随机倒置;
最后转化为Tensor之后进行一个标准化处理;
步骤32:训练模型;
加载步骤(2)构建的卷积神经网络,采用Adam优化算法,将每次训练模型得到的结果根据交叉熵损失函数得到的参数进行反向传播,优化神经网络里面的参数;预训练中每个批次大小为64,学习率为0.01,总共训练40个epoch;
交叉熵算法如下:
步骤33:模型微调;
从步骤32中加载在测试集中精度最高的模型,调整学习率为0.0005,继续利用sgd算法继续训练40个epoch;
(4)识别并记录农作物病害属性;
步骤41:读取农作物图片;
农作物病害分析模型分析的是具有病害特征的农作物图片,所以图片选择有完整信息的农作物图片;将包含特征信息的农作物图片保存至电脑中,提供给训练好的模型分析病害程度;
步骤42:使用模型分析农作物图片;
加载步骤33中训练好的中层特征扩展卷积神经网络模型的结构和权重,将步骤41中读取的农作物图片作为卷积神经网络的输入,经过卷积池化得到农作物的3072维特征向量输出,最后通过softmax函数得到分类特征;61个分类维特征中值最大的维度即为当前的农作物图片的病害程度分类;
步骤43:保存农作物分类信息;
按照农作物图片输出结果将当前图片的文件名修改为模型分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910950143.1A CN110751193B (zh) | 2019-10-08 | 2019-10-08 | 一种基于中层特征扩展卷积网络的农作物病害分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910950143.1A CN110751193B (zh) | 2019-10-08 | 2019-10-08 | 一种基于中层特征扩展卷积网络的农作物病害分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751193A CN110751193A (zh) | 2020-02-04 |
CN110751193B true CN110751193B (zh) | 2022-03-18 |
Family
ID=69277692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910950143.1A Active CN110751193B (zh) | 2019-10-08 | 2019-10-08 | 一种基于中层特征扩展卷积网络的农作物病害分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751193B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652864A (zh) * | 2020-05-29 | 2020-09-11 | 沈阳铸造研究所有限公司 | 一种基于条件式生成对抗网络的铸件缺陷图像生成方法 |
CN111522959B (zh) * | 2020-07-03 | 2021-05-28 | 科大讯飞(苏州)科技有限公司 | 实体分类方法、系统和计算机可读存储介质 |
CN112801280B (zh) * | 2021-03-11 | 2022-11-08 | 东南大学 | 视觉深度自适应神经网络的一维卷积位置编码方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544204A (zh) * | 2018-10-15 | 2019-03-29 | 浙江工业大学 | 一种基于轻量化多任务卷积神经网络的导购行为分析方法 |
CN109583942A (zh) * | 2018-11-07 | 2019-04-05 | 浙江工业大学 | 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 |
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9520127B2 (en) * | 2014-04-29 | 2016-12-13 | Microsoft Technology Licensing, Llc | Shared hidden layer combination for speech recognition systems |
-
2019
- 2019-10-08 CN CN201910950143.1A patent/CN110751193B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544204A (zh) * | 2018-10-15 | 2019-03-29 | 浙江工业大学 | 一种基于轻量化多任务卷积神经网络的导购行为分析方法 |
CN109583942A (zh) * | 2018-11-07 | 2019-04-05 | 浙江工业大学 | 一种基于密集网络的多任务卷积神经网络顾客行为分析方法 |
CN109934255A (zh) * | 2019-01-22 | 2019-06-25 | 小黄狗环保科技有限公司 | 一种适用于饮料瓶回收机投递物分类识别的模型融合方法 |
Non-Patent Citations (2)
Title |
---|
CNN-based Bottleneck Feature for Noise Robust Query-by-Example Spoken Term Detection;Hyungjun Lim等;《Proceedings of APSIPA Annual Summit and Conference 2017 》;20180208;第1278-1281页 * |
一种改进深度卷积神经网络的海岛识别方法;王振华;《上海海洋大学学报》;20190927;第1-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110751193A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhong et al. | Spectral–spatial residual network for hyperspectral image classification: A 3-D deep learning framework | |
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
Nakata et al. | A comprehensive big-data-based monitoring system for yield enhancement in semiconductor manufacturing | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN110751193B (zh) | 一种基于中层特征扩展卷积网络的农作物病害分析方法 | |
Vishnoi et al. | Detection of apple plant diseases using leaf images through convolutional neural network | |
CN106874688B (zh) | 基于卷积神经网络的智能化先导化合物发现方法 | |
CN111126256A (zh) | 一种基于自适应空谱多尺度网络的高光谱图像分类方法 | |
WO2012177913A1 (en) | Method and apparatus for a local competitive learning rule that leads to sparse connectivity | |
WO2022012668A1 (zh) | 一种训练集处理方法和装置 | |
Adedoja et al. | Intelligent mobile plant disease diagnostic system using NASNet-mobile deep learning | |
Eerapu et al. | Dense refinement residual network for road extraction from aerial imagery data | |
Romaszko | Signal correlation prediction using convolutional neural networks | |
CN110263855A (zh) | 一种利用共基胶囊投影进行图像分类的方法 | |
CN109816030A (zh) | 一种基于受限玻尔兹曼机的图像分类方法及装置 | |
Suganuma et al. | Designing convolutional neural network architectures using cartesian genetic programming | |
Taslim et al. | Plant leaf identification system using convolutional neural network | |
Gao et al. | Deep learning for sequence pattern recognition | |
CN116805157B (zh) | 无人集群自主动态评估方法及装置 | |
CN111753995A (zh) | 一种基于梯度提升树的局部可解释方法 | |
Rodríguez et al. | Rotation Forest for multi-target regression | |
WO2022095984A1 (en) | Method and system for convolution with workload-balanced activation sparsity | |
Çakmak | Grapevine Leaves Classification Using Transfer Learning and Fine Tuning | |
Caluña et al. | Convolutional neural networks for automatic classification of diseased leaves: the impact of dataset size and fine-tuning | |
Sahu et al. | Classification of crop leaf diseases using image to image translation with deep-dream |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |