农作物病害识别

农作物病害识别挑战赛

AI CHANLENGER 2018 上实验赛道的比赛，农作物病害检测，对近5万张按“物种-病害-程度”分成61类的植物叶片照片进行分类，是一个多分类的问题。难点在数据样本不平衡，有一些类的样本太少，甚至没有，标签也有部分错误。

比赛在2018年8月29开始，到11月11日结束，在国庆期间做了一下，一直在关注，但是没有投入太多精力，还有其他事情。

数据分析

拿到数据后首先进行分析，数据如下图所示，并不复杂，背景简单。

使用python绘图库对数据样本种类、数量进行了统计，结果如图所示：
训练集：

验证集：

训练集+验证集：

统计结果：

可以看出，训练集与验证集样本类别分布不均，但是分布大致相同，第44、45类训练集中分别只有一张图片，验证集分别有1、0张，所以为了提高准确率，我们直接剔除这两类。

数据增强

病害识别与颜色等有关，所以只做了旋转、翻转等变换

• 左右翻转
• 上下翻转
• 随机旋转
• 随机crop
• 高斯噪声
• 亮度变化

模型

迁移学习，首先尝试了Inception-V3，直接使用pool_3层的输出，接上一个全连接的分类层，使用softmax进行分类，使用Inception-V3的默认输入，可以达到 0.81 左右的准确率。
GoogleNet的思想是通过Inception结构增加增加网络的宽度，这样可以在保证网络性能的情况下减少网络的深度，减少计算量。下图是Inception-V1的结构， $1\times 1$ 的卷积用来跨通道组织信息，实现降维操作，分别用了$3\times 3$ 和 $5\times 5$ 的卷积核，感受野不同，最后进行拼接相当于不同尺度特征的融合。
卷积核分别为$1\times 1，3\times 3，5\times 5$，在步长设置为1，pad分别设置为0，1，2的情况下可以在卷积后得到相同维度的特征，实现不同尺度特征的汇聚拼接。

在后面的改进中，将$5\times 5$ 的卷积核替换为了两个$3\times 3$ 的卷积核，可以在感受野不变的情况下减少计算量。

Inception-ResNet-V2: 将主干网络更换为Inception-ResNet-V2，准确率达到 0.88上下，也是最终成绩，勉强进入前20％。
Inception-ResNet-V2 中加入了ResNet的恒等映射思想，进一步减少计算量，防止过拟合、梯度饱和、梯度消失/爆炸。

优化思路

• 增大输入图像尺寸：在交流群中有人使用ResNet-50，650宽高的输入，取得了较好的成绩;
• 模型集成：使用几个不同的模型，建立一个投票机制，增加准确率，在实际应用中没有意义，但可以刷分使用;
• 平衡样本：目前只剔除了样本过少的两类，但是没有平衡样本，可以通过对数据集重采样(对大类欠采样，对小类过采样)平衡类别;

收获

• 这算是自己独立完成的第一个竞赛，入了个门，为kaggle等做个铺垫;
• 代码能力提升，对tensorflow的熟练程度增加;
• 对各种超参的理解进一步加深;
• 对迁移学习理解加深，对 pre-trained model 使用熟练度增加;

不足

• 还没有自己的东西，停留在搬运阶段;
• 测试的模型也不够多；
• 没有尝试模型级联；

程序

代码见github，等待高分大佬开源后也会继续整理在github中。
数据集：百度网盘