利用深卷積神經網絡對葉片病害進行圖片識別

2021-01-21 植物表型資訊

點擊藍色字免費訂閱，每天收到這樣的好資訊


本文提出利用深卷積神經網絡對葉片病害進行圖片識別，植物表型資訊簡介如下：


四種黃瓜疾病的圖像（a）炭疽病（b）霜黴病（c）白粉病（d）葉斑病


對於識別黃瓜疾病來說，目前常用的手動方法都十分耗時、費力且存在主觀偏差。為此，本文提出了一種深度卷積神經網絡（DCNN）來對以下四種黃瓜疾病進行症狀識別，即炭疽病、霜黴病、白粉病和葉斑病。通過對田間條件下捕獲的黃瓜葉片進行圖像分割症狀圖像。為了減少過度擬合的可能性，研究人員利用數據增強方法來擴大由分割症狀圖像形成的數據集。該增強數據集包含14,208個症狀圖像，利用DCNN獲得了良好的識別結果，準確率為93.4％。為了比較DCNN的結果，本文使用常規分類器（隨機森林和支持向量機）以及AlexNet進行比較實驗。結果表明，DCNN在田間條件下識別黃瓜病害的效果十分強健。


病害症狀分割的一般流程


DCNN模型的架構


在光照影響下的病害症狀圖像


田間環境下黃瓜病害的識別結果


來源：

Ma J, Du K, Zheng F, Zhang L, Gong Z andSun Z,  A recognition method for cucumber diseases using leaf symptom images based on deep convolutional neural network，Computers and Electronics in Agriculture，https://doi.org/10.1016/j.compag.2018.08.048


擴展閱讀：

粽香情濃，植物表型資訊一周年目錄匯總

植物表型資訊2018年6月目錄匯總

植物表型資訊2018年7月目錄匯總

植物表型資訊2018年8月目錄匯總

相關焦點

  • 應用豐富的「卷積神經網絡」技術,怎樣實現了圖像識別?
    本文將使用卷積神經網絡來介紹「圖像識別」的概念、應用和技術方法。什麼是「圖像識別」？它的作用是什麼？從「機器視覺」的角度來說，「圖像識別」就是軟體識別圖像中出現的人物、地理位置、物體、動作和文字的能力。計算機可以使用「機器視覺技術」，並結合人工智慧軟體和一個攝像頭，完成圖像識別。
  • 利用二維卷積神經網絡進行乳腺癌分類
    利用二維卷積神經網絡進行乳腺癌分類Submitted on 7 Jul 2020 (v1), last revised 29 Jul 2020對有臨床記錄的癌症/非癌症患者的分類需要高的敏感性和特異性來進行可接受的診斷試驗。然而，目前最先進的分類模型——卷積神經網絡(CNN)，卻不能用於以一維格式表示的臨床數據。CNN被設計用於處理一組二維矩陣，這些矩陣的元素與相鄰元素有一定的相關性，比如圖像數據。
  • YJango的卷積神經網絡——介紹
    目錄● 視覺感知       ● 畫面識別是什麼        ● 識別結果取決於什麼● 圖像表達        ● 畫面識別的輸入         ● 畫面不變形● 前饋神經網絡做畫面識別的不足● 卷積神經網絡做畫面識別       ● 局部連接
  • MSRA視頻理解新突破,實現199層三維卷積神經網絡
    （Pseudo-3D Convolution）的深度神經網絡的設計思路，並實現了迄今為止最深的 199 層三維卷積神經網絡。通然而目前視頻識別的相關研究多數使用的是基於圖像的卷積神經網絡（如微軟研究院在 2015 提出的殘差神經網絡 ResNet）來學習視頻特徵，這種方法僅僅是對單幀圖像的 CNN 特徵進行融合，因此往往忽略了相鄰的連續視頻幀間的聯繫以及視頻中的動作信息。目前，視頻專用的深度神經網絡還很缺乏。
  • 基於PVANet卷積神經網絡模型的交通標誌識別算法
    針對這一瓶頸問題， 採用對PVANet網絡的淺層特徵提取層、深層特徵提取層和HyperNet層（多層特徵信息融合層）進行改進的措施， 提出了一種適用於小目標物體檢測的改進PVANet卷積神經網絡模型， 並在TT100K（Tsinghua-Tencent 100K）數據集上進行了交通標誌檢測算法驗證實驗。
  • 圖像識別技術——卷積神經網絡CNN詳解
    前言卷積神經網絡不同於神經網絡，在圖片處理這方面有更好的表現。本文主要對神經網絡和卷積神經網絡做了簡要的對比，著重介紹了卷積神經網絡的層次基礎，同時也簡要介紹了卷積神經網絡參數更新方式和其優缺點，並結合具體實例對卷積神經網絡的工作方式做了介紹。
  • 卷積神經網絡理解(一):濾波器的意義
    卷積神經網絡的發展二. 卷積神經網絡的重要性三. 卷積神經網絡與圖像識別四.2012年，Alex Krizhevsky憑藉卷積神經網絡獲得那一年的冠軍，他把圖片分類誤差從原來的26%降低到15%，這在計算機視覺領域引起了不小的轟動。並讓卷積神經網絡在如今計算機視覺領域中佔據著很重要的一部分。
  • 解析卷積神經網絡的應用
    只有當使用圖像數據集對計算機進行訓練後，其方可識別對象 不過，情況正發生變化。近年來，一個稱之為「深度學習」的領域大幅提升了計算機理解所見事物的能力。深度學習，尤其是卷積神經網絡的使用，並沒有依賴傳統的圖像處理技術，而是賦予計算機理解世界的能力，且這方面已取得重大進展。
  • 卷積神經網絡(CNN)新手指南
    然而最經典的，或者說最流行的神經網絡使用範例是將其用於圖像處理領域。提到圖像處理，本文主要介紹的是如何使用卷積神經網絡來進行圖像分類。我們可以毫不猶豫迅速識別出我們周圍的環境以及物體，當我們看到一張圖片或者觀察周遭環境時，大部分時間我們都能馬上對場景做出判斷並且給每個物體都打上標識，這些甚至都不需要刻意去觀察。這些技能能夠迅速識別其模式，從我們以前的經驗中做出推論，然後將其運用至不同的圖片或者環境中——這些都是我們與機器不同的地方。
  • 深度學習入門:淺析卷積神經網絡
    它在語音識別、自然語言處理、計算機視覺、圖像與視頻分析、多媒體等諸多領域的應用取得了巨大成功。至今已有數種深度學習方法，如卷積神經網絡（CNN）、自編碼神經網絡（包括Auto encoder和Sparse Coding）和深度置信網絡（DBN），並在各個領域中取得了極好的效果。
  • 卷積神經網絡(CNN)介紹與實踐
    與孩子學會識別物體的方式類似，我們需要在能夠概括輸入並對之前從未見過的圖像進行預測之前，展示數百萬張圖片的算法。計算機以與我們不同的方式「看到」東西的。他們的世界只包括數字。每個圖像都可以表示為二維數字數組，稱為像素。但是它們以不同的方式感知圖像，這一事實並不意味著我們無法訓練他們的識別模式，就像我們一樣如何識別圖像。我們只需要以不同的方式思考圖像是什麼。
  • 卷積神經網絡的卷積到底是什麼
    卷積神經網絡是一種特殊的神經網絡結構，是自動駕駛汽車、人臉識別系統等計算機視覺應用的基礎，其中基本的矩陣乘法運算被卷積運算取代。 歷史 卷積神經網絡最初是由福島核電站在1980年引入的，當時名為Neocognitron。
  • ...計算能力來獲取攝像頭採集的視頻並採用多個卷積神經網絡進行處理
    打開APP 如何使用硬體的計算能力來獲取攝像頭採集的視頻並採用多個卷積神經網絡進行處理 工程師5 發表於 2018-04-27 16:10:00
  • 基於卷積神經網絡的目標檢測算法簡介
    a) 預處理，對待檢測圖像進行圖像去噪、圖像增強、色彩空間轉換等操作b) 在待檢測圖像中滑動一個固定大小的窗口，將窗口中的子圖像作為候選區c) 利用特定算法對候選區域進行特徵提取d) 從特徵向量中選擇具有代表性的特徵
  • 園林病害知識科普-常見園林病害表現-助你快速識別常見病害
    常見園林植物病害表現--助你快速識別病害 園林植物病害種類多，同一種病害在不同植物上表現也不相同，很多的園林工作者不能正確識別，買的藥不對症，導致不管用，造成的損失也很大，為了幫助園林養護工作者對病害有一個了解和認識，特意製作本期內容，僅供參考。
  • 卷積神經網絡超詳細總結
    可以看作是卷積神經網絡的第一個實現網絡，神經認知機將一個視覺模式分解成許多子模式（特徵），然後進入分層遞階式相連的特徵平面進行處理，它試圖將視覺系統模型化，使其能夠在即使物體有位移或輕微變形的時候，也能完成識別。
  • 深度學習資訊|用於人體動作識別的26層卷積神經網絡
    諸如卷積神經網絡（CNN）之類的深度學習算法已在各種任務上取得了顯著成果，包括那些涉及識別圖像中特定人物或物體的任務。基於視覺的人類動作識別（HAR）是計算機科學家經常嘗試使用深度學習解決的任務，它特別需要識別圖像或視頻中捕獲的人類動作。
  • 一種利用兩個輕型的卷積神經網絡來學習獲取任意遷移矩陣的方法
    一種利用兩個輕型的卷積神經網絡來學習獲取任意遷移矩陣的方法 李倩 發表於 2018-08-31 11:16:03 藝術風格轉換算得上是AI最有趣的應用之一了，你可以將梵谷的名畫風格添加到自己的照片中，也可以個自己的頭像來一幅映像派的油畫
  • 你不了解的卷積神經網絡:新一代圖像視頻壓縮技術
    在圖片、視頻壓縮領域，使用最多的深度學習技術就是卷積神經網絡（CNN），下面會就卷積神經網絡進行簡單介紹。如圖 3 所顯示，像搭積木一樣，一個卷積神經網絡由卷積、池化、非線性函數、歸一化層等模塊組成。最終的輸出根據應用而定，如在人臉識別領域，我們可以用它來提取一串數字（專業術語稱為特徵）來表示一幅人臉圖片。然後通過比較特徵的異同進行人臉識別。
  • 反思卷積神經網絡：圖像角度泛化上的困難重重
    卷積神經網絡特別容易產生"對抗性"輸入，或對輸入進行小改動，而這些改動會有意或無意地幹擾神經網絡正常工作。 就在今年，網絡安全公司McAfee發現，只要將一條兩英寸寬的黑色膠帶貼到限速標誌上，Mobileye（特斯拉以及其他汽車製造商都在使用的汽車智能系統）就會失控並以50英裡每小時的速度加速並超過限速。