基于卷積神經(jīng)網(wǎng)絡(luò)的大豆病害識別研究.pdf

1、在全世界各國，農(nóng)作物病害都會對作物產(chǎn)量造成嚴(yán)重影響，如何精準(zhǔn)識別不同種類病害、科學(xué)診斷出病害是智慧農(nóng)業(yè)的重要研究方向。本文主要以大豆病害里最常見的病毒病、白粉病、霜霉病、褐斑病和灰斑病五種病害為研究對象，進行病害自動識別研究。目前針對農(nóng)作物病害識別多是以人工提取顏色、形狀和光譜等特征為主，這些特征容易受人為和自然環(huán)境影響，造成識別率的降低。針對上述問題，本文采用卷積神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)方法，對病害特征進行自動提取學(xué)習(xí)，并通過改進模型和壓縮

2、模型策略，最終在更小的模型尺寸下達(dá)到了較好效果，為大豆病害的自動識別在低端移動平臺的應(yīng)用提供理論支持。本文主要研究:
　　(1)構(gòu)建了大豆病害模型訓(xùn)練數(shù)據(jù)集。通過增強、翻轉(zhuǎn)和加噪點等樣本擴充方法，將五種病害數(shù)據(jù)集擴充到3430張，彌補了一些小樣本訓(xùn)練的缺陷。針對病害樣本量普遍較少的問題，提出了一種基于K-means的預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，通過矢量量化思想，構(gòu)建特征表達(dá)字典，將聚類結(jié)果作為Convl的權(quán)值，并研究構(gòu)造了多種卷積神經(jīng)

3、網(wǎng)絡(luò)模型，分析權(quán)值分布特點，討論最優(yōu)K值、Patch塊大小、激活函數(shù)和不同初始化方式對網(wǎng)絡(luò)的影響。探究了模型結(jié)合Dropout稀疏數(shù)據(jù)增強策略來強化特征，解決了過擬合問題，以及網(wǎng)絡(luò)深度對K-means預(yù)訓(xùn)練效果的影響等。該模型解決了隨機初始化權(quán)值的缺陷，最終，在小樣本的大豆病害下，驗證了K-means預(yù)訓(xùn)練方法的有效性，準(zhǔn)確率達(dá)到96.7％。
　　(2)針對模型大、收斂速度慢、穩(wěn)定性不高的問題，在基于無監(jiān)督卷預(yù)訓(xùn)練積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)

4、上，提出了基于批標(biāo)準(zhǔn)化的小型化網(wǎng)絡(luò)架構(gòu)模型。通過加入BN層，調(diào)節(jié)其在激活函數(shù)前的數(shù)值分布，解決了收斂速度慢和神經(jīng)元壞死等問題。根據(jù)卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)特點，提出權(quán)值裁剪和架構(gòu)壓縮策略，通過設(shè)置閾值過濾掉微小權(quán)值，并研究設(shè)置不同的卷積核數(shù)目和尺寸、不同的FC節(jié)點數(shù)等來減少冗余，在大豆病害識別模型上驗證效果，最終將參數(shù)內(nèi)存壓縮到9.6M的情況下，準(zhǔn)確率快速收斂到94.6％，保證精度的同時大大縮減了模型尺寸與計算量，該模型小快準(zhǔn)的優(yōu)點解決了當(dāng)下模