基于深度卷积神经网络的玉米病害识别
1、研究思路
算法模型是先将图像预处理,应用Tripletloss双卷积神经网络结构学习玉米图像特征,再使用SIFT算法提取图像纹理细节,最后通Softmax对图像进行标签分类。训练集采用正常玉米图像与玉米病害图像相结合的方式,使用深度相似性网络学习正常玉米图像特征表示,再使用迁移学习方法学习玉米病害图像的特征,最后对特征进行分类识别。
2、图像预处理
预处理负责图像降噪,调节白平衡,图像均值化等操作,保证图像数据规一化。再使用Faster-RCNN多目标检测算法,快速定位病症区域,排除背景干扰。
3、特征提取
采用基于 Triplet 相似性度量学习方法,通过特征学习使得同一玉米在不同场景下的图像特征更相似。
4、SIFT 特征提取
为了弥补通过深度卷积神经网络提取的特征在图像纹理细节表示较为欠缺的问题。我们采用尺度不变特征变换 SIFT (Scale- invariant
feature transform,SIFT)特征作为补充特征,做加权融合,加强特征的描述能力。
5、标签分类
将计算结果带入梯度下降法中,并迭代更新参数等待参数训练。最后采用公式(5)输出特征 x 分类为类别 j 的概率。
6、病害识别