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鍵環(huán)節(jié)。目前人工診斷是最常用的方法，基于傳統(tǒng)機器學習的方法也在迅速發(fā)展。然而，人工診斷往往存在主觀性;基于傳統(tǒng)機器學習的病害圖像識別方法需要滿足訓練數(shù)據(jù)與測試數(shù)據(jù)是同分布的假設，并且訓練分類器時需要充足的訓練數(shù)據(jù)。在實際應用中，一方面，有些病害種類的圖像收集和標記成本較高，因此很難滿足傳統(tǒng)機器學習的兩個要求;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

2、的數(shù)據(jù)。針對這樣的問題，本文引入遷移學習的思想對黃瓜和水稻的幾種病害進行識別研究。
　　(1)針對某些數(shù)量較少的農(nóng)作物病害圖像采用傳統(tǒng)機器學習方法訓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行圖像的灰度轉換。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)對分類結果的影響。結果表明，提出的方法能過濾與目標數(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)絡訓練易產(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雜背

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