CN114092710A - 一种基于融合特征的dcnn叶瘟病分级模型的构建方法 - Google Patents

一种基于融合特征的dcnn叶瘟病分级模型的构建方法 Download PDF

Info

Publication number
CN114092710A
CN114092710A CN202111395039.4A CN202111395039A CN114092710A CN 114092710 A CN114092710 A CN 114092710A CN 202111395039 A CN202111395039 A CN 202111395039A CN 114092710 A CN114092710 A CN 114092710A
Authority
CN
China
Prior art keywords
dcnn
resnet
leaf blast
blast
network
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
Application number
CN202111395039.4A
Other languages
English (en)
Inventor
许童羽
冯帅
于丰华
赵冬雪
周云成
金忠煜
刘子扬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Agricultural University
Original Assignee
Shenyang Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Agricultural University filed Critical Shenyang Agricultural University
Priority to CN202111395039.4A priority Critical patent/CN114092710A/zh
Publication of CN114092710A publication Critical patent/CN114092710A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于融合特征的DCNN叶瘟病分级模型的构建方法，包括以下步骤：S1.用获取的水稻叶瘟病不同病害等级数据作为样本；S2.获取最佳的叶瘟病分级特征；S3.构建水稻叶瘟病分级模型；S4.对步骤S3中所述的水稻叶瘟病分级模型进行训练试验。本发明在保持ResNet网络的设计理念的前提下，通过调整ResNet网络的网络深度和结构，添加BatchNorm层与Dropout层建立水稻叶瘟病分级模型，以期为水稻叶瘟病病害检测提供科学和理论依据。

Description

一种基于融合特征的DCNN叶瘟病分级模型的构建方法
技术领域
本发明涉及数据处理技术领域，特别涉及一种基于融合特征的DCNN叶瘟病分级模型的构建方法。
背景技术
作物病虫害对农业生产造成了巨大的损失，据联合国粮食及农业组织统计，在全世界范围内，每年有病虫害导致的粮食减产量约占粮食总产量的25％，其中病害造成的减产为14％，虫害造成的减产为10％。
在中国，每年因病虫害的爆发和危害导致的直接粮食损失约为总产量的30％，对国内经济造成了巨大影响。然而，现今在作物病害监测方面主要还是依靠植保人员的田间调查、田间取样等方式。这些传统的方法虽然具有较高的真实性和可靠性，但是费时、费力、缺乏代表性且存在滞后性。
同时，传统诊断方法依赖于调查人员的主观判断，容易出现人为误判、主观性错误以及可变性。因此，迫切需要改进病虫害监测和控制方法。
稻瘟病是中国南北水稻种植区危害最为严重的水稻病害之一，与白叶枯病、纹枯病合称为水稻三大病害。2020年9月，稻瘟病被中国农业农村部列为一类农作物病虫害名录。
稻瘟病是由稻梨孢和灰梨孢真菌引起的，其通过产生分生孢子侵染水稻的叶片、颈和穗等部位，对水稻生长的生理方面造成破坏性影响。根据受害时期和受害部位，可将稻瘟病分为苗瘟、叶瘟和穗瘟等，其中以叶瘟危害最大。
叶瘟病通常发生于水稻植株3叶期以后，分蘖期至拔节期为害较重。病斑首先以白点的形式出现，逐渐变成1-3cm长的菱形病斑，病斑中间呈灰色，周围呈现出深棕色。
侵染严重时，整个叶片干枯，降低绿叶面积和病变区域的光合作用，从而引起大幅度水稻产量降低。一般造成水稻减产20％～30％，严重时可减产40％～50％，甚至颗粒无收。
在中国，稻瘟病年平均发生面积高达380万公顷，年损失稻谷可达数亿公斤。因此，快速准确地对叶瘟病病害等级进行监测和判别，对及时指导农户采取防治措施，控制叶瘟病菌大面积传播，降低产量损失等具有十分重要的意义。
有鉴于此，本发明借鉴现有研究方法，扩大样本数据量，数据降维使用增加的样本数据提取光谱特征波长、植被指数和纹理特征，基于上述特征及其融合特征，构建了七个一维深度卷积神经网络叶瘟分级模型。
最后，采用Inception V3、ZF-Net、BiGRU、TextCNN、SVM和ELM模型与本研究的模型进行对比分析，确定叶瘟的最佳分类特征和分类模型，希望能为水稻叶瘟病等级鉴定提供一定的科学理论和技术支持。
最佳光谱特征选择：
SPA是一种正向特征变量降维方法，SPA能够获得包含最少冗余信息和最小特征共线的变量组合。该算法使用向量的投影分析将光谱波长映射到其他光谱波长上，以便比较映射向量的大小并与之匹配；获得投影向量最大的波长，这是要选择的光谱波长；然后建立多元线性回归分析模型，以获得建模集的RMSECV；在待选择的不同特征子集中，对应于最小RMSECV值的数量和波长由最佳光谱特征波长组合组成。
RF是一种相对较新的特征变量筛选方法，最初用于疾病的基因表达数据分析。该方法使用可逆跳跃马尔可夫链蒙特卡罗(RJMMC)方法对光谱的维度进行变换和采样，在此基础上，在符合稳态分布的空间中建立马尔可夫链模型，以计算每个波长变量的选择频率。频率的选择被用作消除冗余变量的基础，从而产生最佳光谱特征波长。
灰度共生矩阵(GLCM)是提取叶片表面纹理特征的常用方法，它通过计算像素间相对距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔和变化幅度等综合信息。本文在像素相对距离d为1时，从0°、45°、90°、135°等4个方向分别计算能量、熵、相关性和对比度。其能量、熵、相关性和对比度的计算公式如表1所示。
然后，对4个方向的能量、熵、相关性和对比度分别进行平均和标准差计算。获得能量均值(MEne)、能力标准差(SDEne)、熵均值(MEnt)、熵标准差(SDEnt)、相关性均值(MCor)、相关性标准差(SDCor)、对比度均值(MCon)和对比度标准差(SDCon)等共8个纹理特征。
表1基于灰度共生矩阵的纹理特征提取
Figure BDA0003370010440000031
注：i，j分别代表灰度共生矩阵的行号和列号；P(i,j)表示两个相邻像素的相对频率。
依据水稻患叶瘟病后叶片表面和内部生理特性的变化以及学者们的研究成果选取比值植被指数RSI(Ratio spectral index)、差值植被指数DSI(Difference spectralindex)以及归一化植被指数NDSI(normalized defference spectral index)构建决定系数等势图。3种植被指数计算公式如下：
RSI＝Ri/Rj
DSI＝Ri-Rj
NDSI＝Ri-Rj/Ri+Rj
式中，Ri与Ri分别表示在光谱波段范围内的光谱反射率值
ResNet网络结构：人类视觉系统具有强大的分类、监测和识别的能力。因此，近年来，广大研究人员深受生物视觉系统的启发，研发了先进的数据处理方法。
卷积神经网络(CNN)是仿造生物视知觉机制研发的深度神经网络。该网络能够自动提取数据中浅层和深层的敏感特征，CNN由于其强大的特征提取能力，被广泛应用于光谱数据分析。
残差网络(Residual Network,ResNet)是CNN的典型代表，如图1所示。其残差模块(包括直接映射和残差部分)的设计理念能更好提取数据特征，并防止网络发生退化现象。同时，ResNet网络在ILSVRC 2015竞赛中它的特征提取和分类效果得到了充分的肯定。
由于Resnet网络层次比较深，易导致训练过程中出现过拟合现象。同时，ResNet网络最初主要用于图像分类中，并不适用于光谱数据。
因此，本发明对ResNet网络进行调整，使其适用于一维数据建模。
研究人员多采用SVM、BP-NN等机器学习方法对高光谱数据进行建模，但基于高光谱成像数据，采用深度学习方法进行作物病害鉴定和识别的研究仍存在较少。究其原因可能在于样本数据较少，无法构建深度学习模型。
而在已有的研究中，研究人员多采用三维的高光谱数据进行深度学习建模，虽然这种建模方式能够获得较高的准确率，但在实际的农业应用中，仍需要采用造价昂贵的高光谱仪器，无法真正地进行推广应用。因此，本发明构建一种一维ResNet深度卷积神经网络构建水稻叶瘟病监测模型。
发明内容
为解决以上所述的技术问题，本发明提供了一种基于融合特征的DCNN叶瘟病分级模型的构建方法。
本发明的技术方案为：
一种基于融合特征的DCNN叶瘟病分级模型的构建方法，包括以下步骤：
S1.用获取的水稻叶瘟病不同病害等级数据作为样本；
S2.获取最佳的叶瘟病分级特征；
S3.构建水稻叶瘟病分级模型；
S4.对步骤S3中所述的水稻叶瘟病分级模型进行训练试验。
可优选地，步骤S1中所述水稻叶瘟病不同病害等级数据包括数据增广方法获得的数据，其中训练集、验证集和测试集按照7:1:2进行划分。
可优选地，步骤S2包括：
通过采用决定系数等势图筛选与病害等级相关性较好的植被指数；
采用SPA、RF算法提取光谱特征波段；
采用纹理特征(TFs)及其融合特征。
可优选地，步骤S3包括：
步骤S1中所述的等级数据均为一维数据，分别以输入特征数的个数作为网络输入；
同时针对水稻叶瘟病正常、1级、2级、3级、4级病害的5分类问题，将ResNet网络的FC层的通道数调整为5；
通过调整ResNet网络的网络深度和结构，添加BatchNorm层与Dropout层，设计不同类型的分级模型，分别为Spa-ResNet，RF-ResNet，Vis-ResNet，TFs-ResNet，SPA-TFs-ResNet，RF-TFs-ResNet及VIs-TFs-ResNet的7种DCNN模型。
可优选地，步骤S4包括：
试验选定总体精度、Kappa系数作为模型评价标准；
对步骤S3中所述的7种DCNN模型采用Nadam算法进行训练试验；
对步骤S3中所述的7种DCNN模型中的所有层均采用相同的学习率，初始学习率为0.002，一阶和二阶指数衰减率分别为0.9和0.999；
对步骤S3中所述的7种DCNN模型中的所有层采用均值为0、标准差为0.01的正态分布为网络所有层的权重进行初始化，卷积层与全连接的偏置(bias)初始化为0。
本发明相对于现有技术，有以下有益效果：
目前现有的研究中多采用三维深度卷积神经网络方法构建作物病害检测模型，虽然这种建模方式能够获得较高的准确率，但在实际的农业应用中，仍需要采用造价昂贵的高光谱仪器，无法真正地进行推广应用。
本发明从这个角度出发，借鉴现有研究成果，提出一种基于一维光谱数据构建的深度ResNet检测方法，以提高F1值和正确率为目标。
ResNet网络是为适用于大规模数据设计的DCNN，其训练过程计算量庞大，不同病害等级的分类问题在数据规模和训练的计算量上均较小。
本发明在保持ResNet网络的设计理念的前提下，通过调整ResNet网络的网络深度和结构，添加BatchNorm层与Dropout层建立水稻叶瘟病检测模型，以期为水稻叶瘟病病害检测提供科学和理论依据。
附图说明
图1为ResNet网络结构；
图2为本发明不同降维方法的7种DCNN模型；
图3为本发明不同降维方法的7种DCNN模型的训练结果。
具体实施方式
下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。
一种基于融合特征的DCNN叶瘟病分级模型的构建方法，包括以下步骤：
S1.用获取的水稻叶瘟病不同病害等级数据作为样本；
S2.获取最佳的叶瘟病分级特征：
通过采用决定系数等势图筛选与病害等级相关性较好的植被指数；
采用SPA、RF算法提取光谱特征波段；
采用纹理特征(TFs)及其融合特征。
S3.构建水稻叶瘟病分级模型：
步骤S1中所述的等级数据均为一维数据，分别以输入特征数的个数作为网络输入；
同时针对水稻叶瘟病正常、1级、2级、3级、4级病害的5分类问题，将ResNet网络的FC层的通道数调整为5；
如图2所示，通过调整ResNet网络的网络深度和结构，添加BatchNorm层与Dropout层，设计不同类型的分级模型，分别为Spa-ResNet，RF-ResNet，Vis-ResNet，TFs-ResNet，SPA-TFs-ResNet，RF-TFs-ResNet及VIs-TFs-ResNet的7种DCNN模型。
S4.对步骤S3中所述的水稻叶瘟病分级模型进行训练试验。
具体地，在本实施例中，首先用获取的4930条水稻叶瘟病不同病害等级数据作为样本，包括数据增广方法获得的数据，其中训练集、验证集和测试集按照7:1:2进行划分。
针对图2中不同降维方法的7种DCNN模型，开展相关训练试验。试验选定总体精度、Kappa系数作为模型评价标准。训练DCNN模型时，采用Nadam算法(Nesterov-acceleratedadam)[51]对模型进行训练。
对网络中的所有层均采用相同的学习率，初始学习率为0.002，一阶和二阶指数衰减率分别为0.9和0.999。权重的初始化对模型训练的收敛速度具有较大影响，本研究采用均值为0，标准差为0.01的正态分布为网络所有层的权重进行初始化，卷积层与全连接的偏置(bias)初始化为0。
不同DCNN模型训练结果如图3所示，由图3可知，随着迭代次数的增加，所有DCNN模型训练误差逐渐降低，最后达到收敛状态。
在训练初期，通过小批次样本损失函数梯度的更新，其训练损失快速下降，说明batch size的大小和优化算法起到了较好的作用，同时随着训练损失的降低，模型在训练集上的预测精度整体呈现出上升趋势。
为获取最佳的叶瘟病分级特征，分别采用光谱特征、植被指数、纹理特征(TFs)及其融合特征构建DCNN叶瘟病分级模型。
建模结果如表2所示：
表2基于不同特征的DCNN病害分级模型结果
Figure BDA0003370010440000071
表2数据表明，在不同病害程度分级上，基于不同特征所设计的7种DCNN模型均具有较高的分级精度，OA均大于88％，Kappa系数均大于85％。
在单一特征构建的DCNN模型中，SPA和RF算法选择的特征波长获得了更好的分级结果，OA和Kappa分别达到97.67％、96.75％，97.08％、95.93％。
而基于TFs构建的DCNN模型中，虽然所建模型没有光谱特征波长模型精度高，但是仍取得较好的分类效果，说明图像数据也具有鉴别水稻叶瘟病的能力。在融合特征构建的DCNN模型中，SPA+TFs-DCNN获得了最高的分级精度，OA和Kappa分别为98.58％、98.22％。针对具体不同病害等级的识别上，SPA+TFs-DCNN的F1值均大于其他融合特征。
0级、1级、2级、3级和4级的F1值分别为100％、100％、100％、96.48％和96.68％。
这一结果表明，SPA筛选的光谱波长与纹理特征融合能够较为准确地表达水稻不同病害程度的有效信息。
同时，可从建模结果中得出，基于融合特征的DCNN模型分级效果基本高于单一特征。
本发明对该模型进行了分析，并与六种分类模型进行了比较，它们分别是Inception V3、ZF-Net、BiGRU、TextCNN、SVM和ELM。
六种模型的分类结果如表3所示：
表3总体分类结果
Figure BDA0003370010440000081
从表3可以看出，所有六个模型在疾病分类方面都取得了良好的准确性。融合光谱波长和SPA筛选出的纹理特征作为输入量构建的模型具有最好的分类精度，OA和Kappa分别大于90％和88％。
此外，模型的实验结果同时表明，光谱特征波长与纹理特征的融合可以增强模型的分类能力。
与机器学习模型(SVM和ELM)相比，本发明模型的OA、Kappa和F1得分都有显著提高，尤其是OA和Kappa提高了3.04％和3％。
与SPA TFs SVM模型相比，分别为81％。与SPA-TFs-ELM模型相比，OA和Kappa提高了6.91％和8％，分别为63％。与其他四种深度学习模型相比，ZF-Net、Inception V3、TextCNN和BiGRU的分类精度低于现有模型。
ZF-Net、Inception V3、TextCNN和BiGRU对一维疾病数据的分类结果没有太大差异，所有这些都是使用SPA TFs获得的特征构建的最佳模型(OA>97％，Kappa>96％)。
有鉴于此，通过对不同输入特征和不同建模方法的对比分析可知，SPA提取的光谱特征、波长特征和纹理特征的融合是叶瘟分类的最佳特征。同时，本发明提出的DCNN模型在疾病分类中具有最好的准确性。
我们使用OA和测试时间对基于最佳分类特征(SPA TFs)构建的模型的性能进行了比较分析，如表4所示：
表4模型检测效率比较
Figure BDA0003370010440000082
从表4可以看出，在986测试数据集上，深度学习模型比机器学习模型花费的时间要长得多。然而，在办公自动化中，机器学习模型是不够的。在深度学习模型的性能比较中，发现卷积神经网络比递归神经网络(BiGRU)花费的时间要少得多，这可能是因为BiGRU是以完全连接的方式训练的，需要更多的参数。与Inception V3、ZF Net和TextCNN等DCNN模型相比，我们提出的模型具有最高的分类精度和最短的测试时间。在986项测试数据中，疾病分类仅为0.22秒。因此，本发明提出的DCNN模型具有最好的分类性能。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视本发明的保护范围。

Claims (5)

1.一种基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，包括以下步骤：
S1.用获取的水稻叶瘟病不同病害等级数据作为样本；
S2.获取最佳的叶瘟病分级特征；
S3.构建水稻叶瘟病分级模型；
S4.对步骤S3中所述的水稻叶瘟病分级模型进行训练试验。
2.根据权利要求1所述的基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，步骤S1中所述水稻叶瘟病不同病害等级数据包括数据增广方法获得的数据，其中训练集、验证集和测试集按照7:1:2进行划分。
3.根据权利要求1所述的基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，步骤S2包括：
通过采用决定系数等势图筛选与病害等级相关性较好的植被指数；
采用SPA、RF算法提取光谱特征波段；
采用纹理特征及其融合特征。
4.根据权利要求1所述的基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，步骤S3包括：
步骤S1中所述的等级数据均为一维数据，分别以输入特征数的个数作为网络输入；
同时针对水稻叶瘟病正常、1级、2级、3级、4级病害的5分类问题，将ResNet网络的FC层的通道数调整为5；
通过调整ResNet网络的网络深度和结构，添加BatchNorm层与Dropout层，设计不同类型的分级模型，分别为Spa-ResNet，RF-ResNet，Vis-ResNet，TFs-ResNet，SPA-TFs-ResNet，RF-TFs-ResNet及VIs-TFs-ResNet的7种DCNN模型。
5.根据权利要求4所述的基于融合特征的DCNN叶瘟病分级模型的构建方法，其特征在于，步骤S4包括：
试验选定总体精度、Kappa系数作为模型评价标准；
对步骤S3中所述的7种DCNN模型采用Nadam算法进行训练试验；
对步骤S3中所述的7种DCNN模型中的所有层均采用相同的学习率，初始学习率为0.002，一阶和二阶指数衰减率分别为0.9和0.999；
对步骤S3中所述的7种DCNN模型中的所有层采用均值为0、标准差为0.01的正态分布为网络所有层的权重进行初始化，卷积层与全连接的偏置初始化为0。
CN202111395039.4A 2021-11-23 2021-11-23 一种基于融合特征的dcnn叶瘟病分级模型的构建方法 Pending CN114092710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111395039.4A CN114092710A (zh) 2021-11-23 2021-11-23 一种基于融合特征的dcnn叶瘟病分级模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111395039.4A CN114092710A (zh) 2021-11-23 2021-11-23 一种基于融合特征的dcnn叶瘟病分级模型的构建方法

Publications (1)

Publication Number Publication Date
CN114092710A true CN114092710A (zh) 2022-02-25

Family

ID=80303478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111395039.4A Pending CN114092710A (zh) 2021-11-23 2021-11-23 一种基于融合特征的dcnn叶瘟病分级模型的构建方法

Country Status (1)

Country Link
CN (1) CN114092710A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108375550A (zh) * 2018-01-12 2018-08-07 河南农业大学 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用
CN111141836A (zh) * 2020-01-13 2020-05-12 石河子大学 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置
CN111398211A (zh) * 2020-03-09 2020-07-10 浙江工业大学 一种苍术颗粒剂的信息区分处理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108375550A (zh) * 2018-01-12 2018-08-07 河南农业大学 基于光谱指数的冬小麦全蚀病病害指数预测模型的构建方法及应用
CN111141836A (zh) * 2020-01-13 2020-05-12 石河子大学 一种基于声振多域谱与近红外光谱信息融合的梨果早期内部病害无损检测方法及装置
CN111398211A (zh) * 2020-03-09 2020-07-10 浙江工业大学 一种苍术颗粒剂的信息区分处理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHUAI FENG ET AL.: "Rice Leaf Blast Classification Method Based on Fused Features and One-Dimensional Deep Convolutional Neural Network", 《REMOTE SENS》, vol. 13, no. 16, 13 August 2021 (2021-08-13), pages 1 - 23 *

Similar Documents

Publication Publication Date Title
Nagasubramanian et al. Plant disease identification using explainable 3D deep learning on hyperspectral images
Nagasubramanian et al. Hyperspectral band selection using genetic algorithm and support vector machines for early identification of charcoal rot disease in soybean stems
CN110008905B (zh) 基于遥感影像红边波段的区域尺度小麦条锈病监测方法
Yan et al. Combining multi-dimensional convolutional neural network (CNN) with visualization method for detection of aphis gossypii glover infection in cotton leaves using hyperspectral imaging
Hillnhütter et al. Use of imaging spectroscopy to discriminate symptoms caused by Heterodera schachtii and Rhizoctonia solani on sugar beet
Willocquet et al. Simulating multiple pest damage in varying winter wheat production situations
Marzougui et al. Advanced imaging for quantitative evaluation of Aphanomyces root rot resistance in lentil
CN108596104A (zh) 一种带有病害特征预处理功能的小麦白粉病遥感监测方法
Fan et al. Estimation of the nitrogen content of potato plants based on morphological parameters and visible light vegetation indices
CN108830249B (zh) 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法
Zhang et al. Rice bacterial blight resistant cultivar selection based on visible/near-infrared spectrum and deep learning
CN109977901A (zh) 一种基于无人机遥感的玉米田间杂草识别方法
Zhao et al. Study on the classification method of rice leaf blast levels based on fusion features and adaptive-weight immune particle swarm optimization extreme learning machine algorithm
Cao et al. Detecting asymptomatic infections of rice bacterial leaf blight using hyperspectral imaging and 3-dimensional convolutional neural network with spectral dilated convolution
Xie et al. The promise of hyperspectral imaging for the early detection of crown rot in wheat
Wen et al. Thermal imaging: The digital eye facilitates high-throughput phenotyping traits of plant growth and stress responses
Jiang et al. Evaluating the waterlogging tolerance of wheat cultivars during the early growth stage using the comprehensive evaluation value and digital image analysis
Viana et al. Optical sensors for precision agriculture: An outlook
Liu et al. Classification of soybean frogeye leaf spot disease using leaf hyperspectral reflectance
Bai et al. Evaluation of rice bacterial blight severity from lab to field with hyperspectral imaging technique
Quan et al. Multimodal remote sensing application for weed competition time series analysis in maize farmland ecosystems
Jin et al. A Novel Tran_NAS Method for the Identification of Fe-and Mg-Deficient Pear Leaves from N-and P-Deficient Pear Leaf Data
Han et al. Dissection of hyperspectral reflectance to estimate photosynthetic characteristics in upland cotton (Gossypium Hirsutum L.) under different nitrogen fertilizer application based on machine learning algorithms
CN114092710A (zh) 一种基于融合特征的dcnn叶瘟病分级模型的构建方法
Xing et al. Traits expansion and storage of soybean phenotypic data in computer vision-based test

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