国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

一種基于深度學(xué)習(xí)的分割植物病害葉片方法

2023-12-14 06:07:28傅悅李興春
關(guān)鍵詞:準(zhǔn)確率卷積病害

傅悅,李興春

(五邑大學(xué) 智能制造學(xué)部,廣東 江門 529020)

隨著我國(guó)農(nóng)作物種植數(shù)量和產(chǎn)量不斷突破新高,僅憑人力和工人經(jīng)驗(yàn)來診斷植物是否患病是一項(xiàng)極耗時(shí)間和勞力的工作,如何準(zhǔn)確高效地識(shí)別并分割農(nóng)作物葉片病害成為亟待解決的問題.近年來,深度學(xué)習(xí)技術(shù)逐漸成熟,圖像神經(jīng)網(wǎng)絡(luò)模型利用多個(gè)大小不同的卷積核對(duì)輸入圖像進(jìn)行卷積操作來提取圖像特征信息[1-2],可以有效完成圖像分類任務(wù),如VGG[2]和ResNet[3]等模型.同時(shí),具有圖像語義分割的神經(jīng)網(wǎng)絡(luò)模型也得到了迅速發(fā)展,如FCN[4]和Unet[5]網(wǎng)絡(luò).然而,神經(jīng)網(wǎng)絡(luò)模型識(shí)別準(zhǔn)確率越來越高的同時(shí)也變得越來越臃腫,占用大量?jī)?nèi)存且運(yùn)算時(shí)間較長(zhǎng).為了克服這些弊端,輕量級(jí)網(wǎng)絡(luò)SqueezeNet[6]、MobileNet[7]等先后出現(xiàn).上述模型在一定程度上滿足了圖像處理的要求,但是仍存在通道與通道之間的特征提取效果不佳等問題[8].

為了改善和提高現(xiàn)有網(wǎng)絡(luò)模型的性能,本文提出了一種基于深度學(xué)習(xí)技術(shù)的分割植物葉片病害的方法,通過優(yōu)化卷積效率[9],以滿足現(xiàn)實(shí)植物病害的診斷的工作需求.

1 深度過參數(shù)化卷積

傳統(tǒng)卷積層是神經(jīng)網(wǎng)絡(luò)的基本組成部分,其中卷積核是一個(gè)移動(dòng)的矩形窗口,通過在目標(biāo)圖片上滑動(dòng)并進(jìn)行對(duì)應(yīng)位置上的相乘相加操作最終得到圖片的語義特征信息.在卷積神經(jīng)網(wǎng)絡(luò)(CNN)中常用的方式是通過堆疊多個(gè)大小不同的卷積核來獲取更深層次的信息.通常而言,通過在網(wǎng)絡(luò)中添加線性層和非線性層來增加網(wǎng)絡(luò)深度可以提高網(wǎng)絡(luò)的表達(dá)能力,提升網(wǎng)絡(luò)性能.但是使用更深層次的網(wǎng)絡(luò)結(jié)構(gòu)往往會(huì)增加神經(jīng)節(jié)點(diǎn)的計(jì)算量.為了讓傳統(tǒng)卷積層獲取更多的信息,本文通過在一個(gè)傳統(tǒng)卷積層中添加額外的深度卷積操作來增加卷積層的學(xué)習(xí)參數(shù),其中每個(gè)輸入通道都用不同的二維核進(jìn)行卷積.兩個(gè)卷積的組合構(gòu)成了一種過參數(shù)化,稱為over-parameterized 卷積層.過參數(shù)化的一個(gè)明顯優(yōu)勢(shì)就是過參數(shù)化使用的多層復(fù)合線性操作在訓(xùn)練階段之后可以折疊為緊湊的單層形式.在推理階段時(shí),DO-Conv 可以轉(zhuǎn)化為傳統(tǒng)的卷積操作即僅使用單層計(jì)算,因此整體網(wǎng)絡(luò)并不會(huì)增加多余的計(jì)算量.此外,DO-Conv 不僅可以提升融合模型的性能,還可以加快CNN 的訓(xùn)練速度.

深度過參數(shù)化卷積的操作步驟如圖1所示.其中M和N為輸入向量的空間維度,Cin為輸入向量的通道數(shù),Cout為輸出的通道數(shù),dmul為深度卷積的深度乘數(shù),符號(hào)°代表深度卷積,符號(hào)*代表普通卷積.首先,輸入特征圖P和深度卷積核進(jìn)項(xiàng)深度卷積操作,生成卷積后的中間變量P′=D°P.其次,對(duì)中間變量P′進(jìn)行常規(guī)卷積運(yùn)算(常規(guī)卷積內(nèi)核W作用于P′),生成最終結(jié)果O=W*P′.因此,深度過參數(shù)化卷積的輸出公式可表示為:O=W* (D°P).

圖1 深度過參數(shù)化卷積的操作步驟

2 基于DO-Conv 改進(jìn)的U-net 網(wǎng)絡(luò)

2.1 U-net 網(wǎng)絡(luò)及添加注意力

為了獲取足夠大的感受野,從而更多地獲取語義上下文信息[10],理想狀態(tài)下在CNN 前向傳播過程中逐漸下采樣,得到下采樣后的底層語義信息上的特征位置和全圖組織之間的關(guān)系.然而,對(duì)于形狀變化大的小物體,很難降低假陽性的預(yù)測(cè).為了提高模型識(shí)別的準(zhǔn)確性,給網(wǎng)絡(luò)添加注意力結(jié)構(gòu)是一個(gè)行之有效的方法.通過整合注意門(AGs)在一個(gè)標(biāo)準(zhǔn)U-net 模型中實(shí)現(xiàn),結(jié)構(gòu)如圖2 所示.注意力機(jī)制是通過在編碼器和解碼器之間增加一個(gè)跳躍連接和一個(gè)注意門來實(shí)現(xiàn)的,它可以選擇性地調(diào)節(jié)通過跳躍連接的信息流.注意門是一個(gè)學(xué)習(xí)計(jì)算空間注意圖的卷積層,它表示特征圖中不同空間位置的重要性.然后將注意力圖與跳過連接的特征圖相乘,有效地允許模型專注于分割任務(wù)中最相關(guān)的顯著特征[11].此外,AGs 在正向傳播和反向傳播過程中過濾神經(jīng)元的激活值.來自背景區(qū)域的梯度在后向傳播時(shí)向下加權(quán).這使得較淺層次的模型參數(shù)可以根據(jù)與給定任務(wù)相關(guān)的空間區(qū)域進(jìn)行更新.從而讓模型關(guān)注重點(diǎn)區(qū)域,忽略次要的和不相關(guān)的信息.

圖2 注意力結(jié)構(gòu)圖

2.2 基于DO-Conv 改進(jìn)的特征提取模塊

針對(duì)CNN 卷積層數(shù)增加導(dǎo)致計(jì)算量增大的情況,本文設(shè)計(jì)了一種基于DO-Conv 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò),通過引入DO-Conv 替換傳統(tǒng)的卷積,可以在不增加網(wǎng)絡(luò)層數(shù)的情況下提升網(wǎng)絡(luò)的特征提取能力.就網(wǎng)絡(luò)卷積過程而言,整個(gè)卷積網(wǎng)絡(luò)由多個(gè) DO-Conv 層及最大池化層構(gòu)成.此外,Batch Normalization 和Relu 函數(shù)被用來加速訓(xùn)練過程,提高網(wǎng)絡(luò)的泛化能力.該網(wǎng)絡(luò)通過對(duì)樣本進(jìn)行卷積、池化操作進(jìn)行特征提取.DO-Conv 層是整體網(wǎng)絡(luò)中的特征提取層,卷積操作之后傳遞給激活函數(shù),得到的結(jié)果是一組特征圖.

2.3 DO-Unet

本文網(wǎng)絡(luò)結(jié)構(gòu)以Attention Unet 網(wǎng)絡(luò)模型作為基礎(chǔ)網(wǎng)絡(luò)框架[12],引入DO-Conv 層替換傳統(tǒng)的卷積,整體網(wǎng)絡(luò)框架如圖3 所示,該模型由編碼器和解碼器兩個(gè)主要部分組成.編碼器由一系列卷積層和池化層組成,這些層逐漸降低輸入圖像的空間分辨率,同時(shí)增加特征通道的數(shù)量.解碼器由一系列反卷積層和上采樣層組成,這些層逐漸增加特征映射的空間分辨率,同時(shí)減少特征通道的數(shù)量.具體流程為:1)將輸入的圖像統(tǒng)一為225 ×225的彩色三通道圖像;2)將輸入的圖像進(jìn)行深度過參數(shù)卷積進(jìn)行信息提取,把提取到的信息經(jīng)過最大池化層過濾,從而保留重點(diǎn)信息,并對(duì)運(yùn)算結(jié)果單獨(dú)保存;3)把經(jīng)過注意力計(jì)算的特征圖的結(jié)果與之前保存的結(jié)果進(jìn)行拼接;4)通過上采樣將圖像還原為原始大??;5)進(jìn)行逐像素點(diǎn)判斷,輸出最終結(jié)果.

圖3 基于Do-Conv的整體網(wǎng)絡(luò)結(jié)構(gòu)

3 實(shí)驗(yàn)結(jié)果分析

3.1 數(shù)據(jù)集

本次實(shí)驗(yàn)數(shù)據(jù)來自AI Challenger①https://challenger.ai/competition/pdr2018,共有18 159 張農(nóng)作物葉片圖像,圖像分辨率均為225 ×225,訓(xùn)練集16 346 張,驗(yàn)證集1 813 張.其中農(nóng)作物病害葉片9 種(靶斑病,斑枯病,紅蜘蛛病,花葉病,黃化曲葉病,菌斑病,霉菌病,晚疫病,早疫?。┖徒】等~片1 種,合計(jì)10 個(gè)分類.

確定分割目標(biāo)區(qū)域的標(biāo)簽所使用的第三方工具為labelme,使用鎖套工具對(duì)葉片病害區(qū)域進(jìn)行標(biāo)注,最后將工具生成的json 文件統(tǒng)一轉(zhuǎn)化為png 格式,最終效果如表1 所示.

表1 植物葉片和標(biāo)簽

3.2 實(shí)驗(yàn)設(shè)置

本文使用python 編程語言,利用深度學(xué)習(xí)框架pytorch 搭建神經(jīng)網(wǎng)絡(luò),軟硬件配置如下:Intel Core i7-10700k,NVIDIA 3060ti 顯卡,16 Gb 內(nèi)存,ubuntu18.04LTS 系統(tǒng),pycharm2021.1.網(wǎng)絡(luò)訓(xùn)練的學(xué)習(xí)率為1e-5,模型的batch size 為128,模型使用調(diào)參隨機(jī)梯度下降優(yōu)化器進(jìn)行優(yōu)化.

3.3 評(píng)價(jià)指標(biāo)

均交并比(mIoU)計(jì)算公式如下:

式中,i為真實(shí)值,j為預(yù)測(cè)值,pij表示將i預(yù)測(cè)為j的像素個(gè)數(shù).分子即為交集,分母即為并集.

Pixel Accuracy(PA)即像素準(zhǔn)確率.PA 等于預(yù)測(cè)正確像素個(gè)數(shù)除以總預(yù)測(cè)像素個(gè)數(shù).公式為:

3.4 實(shí)驗(yàn)結(jié)果

為了更直觀地表現(xiàn)DO-Conv 卷積層對(duì)網(wǎng)絡(luò)模型分割準(zhǔn)確率的優(yōu)化效果,本文使用了五類模型在相同葉片病害數(shù)據(jù)集上進(jìn)行消融實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如表2 所示.

表2 各個(gè)模型性能比較

由表2 可知,經(jīng)過DO-Conv 卷積層改進(jìn)后的網(wǎng)絡(luò)模型在驗(yàn)證集上的mIoU 指標(biāo)為0.704(原始U-net 網(wǎng)絡(luò)在驗(yàn)證集上的mIoU 指標(biāo)為0.659),同比增長(zhǎng)4.5%,模型性能上的提升,驗(yàn)證了DO-Conv卷積的有效性.神經(jīng)網(wǎng)絡(luò)實(shí)際分割效果如圖4 所示,第一行為驗(yàn)證集病害葉片原圖,第二行中白色陰影部分為被標(biāo)記出來的葉片病害的區(qū)域.

圖4 神經(jīng)網(wǎng)絡(luò)分割效果圖

如圖5 所示,在訓(xùn)練過程中使用DO-Conv 卷積層的網(wǎng)絡(luò)的準(zhǔn)確率上升速度更快,且明顯高于使用傳統(tǒng)卷積層Conv 的準(zhǔn)確率曲線,因此,使用DO-Conv層不僅可以提高葉片病害識(shí)別的準(zhǔn)確率,還可以加快神經(jīng)網(wǎng)絡(luò)的訓(xùn)練.

圖5 模型測(cè)試準(zhǔn)確率與訓(xùn)練次數(shù)關(guān)系

4 結(jié)論

本文提出了一種基于DO-Conv 改進(jìn)的網(wǎng)絡(luò)模型,該方法改進(jìn)了傳統(tǒng)圖像分割模型,加強(qiáng)了高層和底層特征抽取的正確性,同時(shí)模型的運(yùn)算速度和準(zhǔn)確率均有所提高.將該方法應(yīng)用于采集到的已有的農(nóng)作物葉片病害數(shù)據(jù)集上,結(jié)果表明,該方法精確度可以達(dá)到92.16%,分割重合率可以達(dá)到70.4%.通過與以往深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行比較,該模型的性能得到了一定程度的提升,說明了文中提出的算法是可行的,將該算法運(yùn)用到實(shí)際生活中可以提高農(nóng)作物葉片檢測(cè)和識(shí)別病害區(qū)域的效率和準(zhǔn)確率,對(duì)農(nóng)作物病蟲害防治工作有一定積極作用.

實(shí)驗(yàn)有待提高之處有3 個(gè)方面:1)數(shù)據(jù)集植物葉片病害種類較少,且病害種類均為單一且典型性病害,葉片病害種類的增加勢(shì)必會(huì)帶來新的挑戰(zhàn);2)數(shù)據(jù)集標(biāo)簽是人為標(biāo)注,其中難免會(huì)有誤差,從而造成精度損失;3)網(wǎng)絡(luò)模型仍有改進(jìn)的余地,分割效果有待進(jìn)一步提高.

猜你喜歡
準(zhǔn)確率卷積病害
早春養(yǎng)羊需防六大病害
小麥常見三種病害咋防治
基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
葡萄病害周年防治歷
乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
健康之家(2021年19期)2021-05-23 11:17:39
不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
果樹休眠期咋防病害
從濾波器理解卷積
電子制作(2019年11期)2019-07-04 00:34:38
高速公路車牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
邯郸县| 新源县| 兰西县| 南汇区| 江川县| 永康市| 色达县| 大厂| 巴林右旗| 柘城县| 甘肃省| 巨鹿县| 龙岩市| 福鼎市| 依安县| 石楼县| 阿拉善盟| 黄浦区| 泽州县| 宽甸| 梧州市| 金溪县| 太仓市| 临泽县| 茂名市| 庆安县| 凯里市| 铁力市| 高陵县| 慈溪市| 兴安盟| 三原县| 罗平县| 永和县| 得荣县| 剑川县| 大荔县| 恭城| 冕宁县| 新郑市| 交口县|