苹果叶片病害识别中的深度学习研究
1、研究内容
基于DenseNet-121深度卷积网络,提出了回归、多标签分类和聚焦损失函数3种苹果叶片病害识别方法。
2、数据集介绍
用于识别的图像数据集来源于Aichalenger-Plant-Disease-Recognition。苹果叶片数据集由健康苹果、一般苹果黑星病、严重苹果黑星病、苹果灰斑病、一般雪松苹果锈病、严重雪松苹果锈病的症状图像组成。所有的数据图像尺寸归一化到1281283。通过随机选择的图像,以8:2的比率将构建的数据集分成训练数据集和测试数据集。在训练数据集中的症状图像中,85%用于训练,15%用于验证。
3、实验过程
为了扩大识别数据集,减少过拟合的机会,在训练过程中采用了随机旋转、随机平移、随机缩放、随机反转、裁剪和归一化等方法进行数据增强。基于Densenet-121深度卷积网络,提出了回归、多标签分类和焦点损失函数3种方法识别苹果叶部病害,包括健康苹果、一般苹果黑星病、严重苹果黑星病、苹果灰斑病、一般雪松苹果锈病和严重雪松苹果锈病。
4、相关结论
定量实验证明,与传统的带交叉熵损失函数的单标签多分类方法相比,上述方法在不平衡数据集上取得了更好的识别效果。三种方法在测试数据集上的准确率分别为93.51%、93.31%和93.71%。
<