基于實例和參數(shù)遷移的農(nóng)作物病害圖像識別研究.pdf

1、在農(nóng)作物栽培過程中，及時有效地診斷作物病害是保證作物健康生長的關(guān)鍵環(huán)節(jié)。目前人工診斷是最常用的方法，基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法也在迅速發(fā)展。然而，人工診斷往往存在主觀性;基于傳統(tǒng)機(jī)器學(xué)習(xí)的病害圖像識別方法需要滿足訓(xùn)練數(shù)據(jù)與測試數(shù)據(jù)是同分布的假設(shè)，并且訓(xùn)練分類器時需要充足的訓(xùn)練數(shù)據(jù)。在實際應(yīng)用中，一方面，有些病害種類的圖像收集和標(biāo)記成本較高，因此很難滿足傳統(tǒng)機(jī)器學(xué)習(xí)的兩個要求;另一方面，存在其他數(shù)量較多的作物病害圖像數(shù)據(jù)或者與病害圖像數(shù)據(jù)相關(guān)

2、的數(shù)據(jù)。針對這樣的問題，本文引入遷移學(xué)習(xí)的思想對黃瓜和水稻的幾種病害進(jìn)行識別研究。
　　(1)針對某些數(shù)量較少的農(nóng)作物病害圖像采用傳統(tǒng)機(jī)器學(xué)習(xí)方法訓(xùn)練難以取得理想效果的問題，提出一種基于實例遷移的農(nóng)作物病害圖像識別方法。為了實時、有效地分割出具有簡單背景的黃瓜和水稻六種病害的病斑圖像，文中采用雙次Otsu的分割方法，每次選取不同顏色空間的分量進(jìn)行圖像的灰度轉(zhuǎn)換。其次提取病斑圖像的顏色、紋理和形狀19個參數(shù)作為特征向量。重點分析Tr

3、AdaBoost算法存在的問題，設(shè)計了一種基于K近鄰分類算法優(yōu)化輔助病害數(shù)據(jù)的方法，從而降低冗余數(shù)據(jù)對分類結(jié)果的影響。結(jié)果表明，提出的方法能過濾與目標(biāo)數(shù)據(jù)相似度較低的輔助數(shù)據(jù)，同時能夠挖掘與目標(biāo)數(shù)據(jù)相似度較大的輔助數(shù)據(jù)中的有用知識，從而改善農(nóng)作物病害圖像的分類效果。
　　(2)針對小樣本的農(nóng)作物病害圖像采用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練易產(chǎn)生過擬合的問題，提出一種基于卷積神經(jīng)網(wǎng)絡(luò)參數(shù)遷移的農(nóng)作物病害圖像識別方法。文中分別采取兩種策略對具有復(fù)雜背

4、景且尺寸大小不一致的黃瓜和水稻八種目標(biāo)病害圖像進(jìn)行預(yù)處理，一種策略不改變目標(biāo)數(shù)據(jù)的數(shù)量，另一種策略通過對圖片進(jìn)行兩次裁剪操作實現(xiàn)目標(biāo)數(shù)據(jù)數(shù)量上的擴(kuò)充?；贏lexNet和VGGNet兩種網(wǎng)絡(luò)采用公開的PlantVillage數(shù)據(jù)集作為輔助數(shù)據(jù)訓(xùn)練兩個預(yù)訓(xùn)練模型，結(jié)合批歸一化和DisturbLabel算法優(yōu)化兩種網(wǎng)絡(luò)模型，使用預(yù)處理后的目標(biāo)數(shù)據(jù)集微調(diào)預(yù)訓(xùn)練模型。本文將提出的方法與無遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法和傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行對比，