基于卷积神经网络的番茄病害识别研究

摘要

番茄作为一种日常食用广泛的蔬果，其在国内普遍栽培。而番茄的品质和产量是当前农民所重视的两个重要因素。番茄在整个生长周期中，会发生多种病害，若发现不及时没有得到防治，这就直接影响番茄的产量和质量以及带来严重的经济损失。所以，番茄的病害识别尤其重要。早先人们根据经验，通过眼睛去判断病害类别，这样不仅浪费时间且容易产生误判。而使用传统的图像识别方法，其泛化能力差。深度学习技术不断发展，在处理图像识别的任务中有较高的识别率。基于以上内容分析，本文选取了番茄易发生的5种病害和健康的番茄叶片共6类数据集作为研究对象，提出了基于卷积神经网络对番茄病害识别的方法。主要做了以下研究: 1.对比现有的分类网络，分析各网络结构在深度和宽度的变化过程中解决梯度消失、参数量、训练速度等问题以及使用短连接、跨层连接的优点。不同核尺寸在各网络层中的作用，特别是1*1卷积核的使用可升降网络层的维度，同时减少了参数量和计算量。 2.提出了改进VGG16网络，在网络中用核为1*1卷积层跨层连接并去除部分卷积层，目的是尽量将前层网络特征信息提供给后层学习，同时卷积层数维持16层。由于番茄叶片数据集少，为防止过拟合，在改进的网络中加入BN层及dropout层并将其参数阈值设为0.5，同时对数据集进行增强。使用该网络训练数据集，获得的模型与Alexnet和VGG16网络模型对比。实验表明改进网络模型获得识别率高于Alexnet和VGG16网络。 3.提出了基于特征提取组合网络的番茄病害识别，使用传统的特征提取算法与卷积网络特征提取算法组合提取样本特征。对比传统的特征提取算法，本文选择方向梯度直方图(HOG)算法，由于HOG算法提取样本特征维度过大，需进行降维处理，选择自编码器对特征信息降维。对已改进的卷积网络进行fine-tuning，然后优化SGD，卷积层输出后再降维与已降维的HOG特征向量组合，最后与全连接层连接，使用Softmax分类器进行分类。设置HOG算法中的参数，并进行多组实验，分析对比各个模型，选取最优参数组的模型进行预测。 最后，分析并对比本文提出的方法在番茄病害识别上的优势。实验结果表明本文提出的特征提取组合网络可以有效地提高番茄病害的识别率。