【《基于卷积神经网络的番茄病害识别分析》6300字】

)F1综合考虑了和的结果，当F1值较高时则能说明模型在该类的识别效果上有说服力。因此，本文主要选择准确率和F1值作为主要评价指标。1.5实验环境配置本次实验是基于ptython37和Tensroflow（开源的深度学习框架）的测试软件环境上搭建卷积神经网络模型。运用的PythonIDE为Pycharm软件。硬件环境：操作系统为Win1064位，六核处理器，显卡为NvidiaGeForceGTX10606GB显存。具体的实验环境配置如表3-2所示。表3-2实验环境配置实验环境版本详情编程语言Python1.7系统版本Win1064位Tensorflow版本Tensorflow-gpu-2.1.0Keras版本Keras-2.4.3GPU型号单块NvidiaGeForceGTX1060CPU型号Intel(R)Core(TM)i7-8750HCPU@2.20GHz2.21GHz内存大小16G1.6Adam优化算法与超参数设置1.6.1Adam优化算法本文主要采用，不同于经典的随机梯度下降算法（）。随机梯度下降算法学习速率单一且保持不变。每一个网络权重（参数）都是伴随着学习再进行调整。的广泛应用是因为使用了一阶矩来估计梯度，并且为了减少优化误差还用到加权平均的手段，这样在训练过程中即可以保证收敛，充分学习训练样本的特征，也减少了运算量，减少了内存占比。其具体形式如表3-3所示。表3-3Adam算法Adam算法输入：训练集初始化学习参数；加权指数；学习率；平滑因子步骤：1初始化2repeat34从D中随机取出含有M个样本的子集5计算网络输出6计算梯度7更新参数，并计算其修正值8更新参数，并计算其修正值9更新参数10until达到停止条件是目前最好的SGD算法。与其他优化算法相比，Adam的最广泛的优化算法。1.6.2超参数设置为了保证实验结果的严谨性，在网络训练之前，本文将使用的超参数进行统一。超参数是根据文献和多组实验确定的，具体超参数列表如表3-4所示：表3-4超参数配置超参数数值batchsize64初始学习率0.001优化算法Adam批次大小150Dropout0.3激活函数ReLU迭代次数201.7卷积神经网络识别和训练过程基于以上的VGG16网络模型结构参数和训练参数，对VGG16模型进行训练，为了研究数据集类属样本数量均衡性对基于VGG16卷积神经网络的图像分类结果的影响，先对5类类属样本较均衡的番茄叶片病害图像进行训练和识别，该训练数据集共包含7692张图片，测试数据集为1870张，对应的病害标签为0、1、2、3、4，由于batchsize大小为64，因此每个epoch共迭代120次。准确率变化曲线和loss曲线如图3-4所示。图3-4VGG16五分类训练和测试的准确率和Loss曲线图由图3-4可以看出，该CNN模型经过20轮次的学习训练，从训练曲线上来看，大概在15个轮次后，准确率曲线基本保持平稳，波动幅度缩小，准确率大致分布在95%左右，而loss曲线在训练了20个轮次后，集中在0.1附近波动。从测试曲线来看，大概在15个轮次后，准确率趋于平稳，大致在95%左右，而测试曲线的loss在训练了15个轮次后集中在0.1附近波动。该模型最终预测的准确率为95.40%，在测试准确率上基本持平于训练集的准确率，由图可以看出，训练和测试曲线在后半段几乎保持重合的状态，说明模型的拟合效果很好，分类效果可以说是相当不错。再来研究加入4种类属样本数量较少且不均衡的其他数据集给VGG16模型分类结果带来的影响。该4类数据集训练集数量为611、607、509、237，测试集数量为161、155、129、101，对应病害标签5、6、7、8。这样训练数据集即原始数据集，训练集共9656张图像，测试集共2416张图像，对应所有的病害标签。由于batchsize大小为64，因此每个epoch共迭代150次。准确率变化曲线和loss曲线如图3-5所示。图3-5VGG16九分类训练和测试的准确率和Loss曲线图由图3-5可以看出，该CNN模型经过20轮次的学习训练，由训练曲线可以看出，大概在15个轮次后，准确率曲线基本保持平稳，波动幅度缩小，准确率大致分布在90%左右，而loss曲线在训练了20个轮次后，集中在0.4附近波动。由测试曲线可以看出，在15个轮次后，测试曲线的准确率趋于平稳，大致在90%左右，而测试曲线的loss在训练了15个轮次后集中在0.4附近波动。该模型最终预测的准确率为89.40%，分类效果比起前面5个种类的分类表现较差。基于以上的InceptionV3网络模型结构参数和训练参数，对InceptionV3模型进行训练，为了研究数据集类属样本数量均衡性对基于InceptionV3卷积神经网络的图像分类结果的影响，先对5类类属样本较均衡的番茄叶片病害图像进行训练和识别，该训练数据集共包含7692张图片，测试数据集为1870张，对应的病害标签为0、1、2、3、4，由于batchsize大小为64，因此每个epoch共迭代120次，准确率变化曲线和loss曲线如图3-6所示。图3-6InceptionV3五分类训练和测试的准确率和Loss曲线图由图3-6可以看出，该CNN模型经过20轮次的学习训练，从训练曲线上来看，大概在15个轮次后，准确率曲线保持平稳，波动幅度较小，准确率大致分布在97.5%左右；而loss曲线在进行了20轮次的训练后，集中在0.1附近波动。从测试曲线上来看，在训练了大致10轮后，准确率趋于平稳，大致在95%左右，而测试曲线的loss在训练了5个轮次后后集中在0.15附近波动。该模型最终预测的准确率为95.61%，由图可以看出，测试准确率低于训练集的准确率，说明模型可能存在过拟合现象。再来研究加入4种类属样本数量较少且不均衡的其他数据集给InceptionV3模型分类结果带来的影响。该4类数据集训练集数量为611、607、509、237，测试集数量为161、155、129、101，对应病害标签5、6、7、8。这样训练数据集即原始数据集，训练集共9656张图像，测试集共2416张图像，对应所有的病害标签。由于batchsize大小为64，因此每个epoch共迭代150次。准确率变化曲线和loss曲线如图3-7所示。图3-7InceptionV3九分类训练和测试的准确率和Loss曲线图由图3-7可以看出，该CNN模型经过20轮次的学习训练，由训练曲线可以看出，大概在训练了15个轮次后，准确率曲线保持平稳，波动幅度缩小，大致分布在95%左右，而loss曲线在训练了15轮后也趋于平稳。由测试曲线可以看出，准确率在训练了15个轮次后趋于平稳，大致在90%左右，而测试曲线的loss在训练了10轮后趋于平稳。该模型最终预测的准确率为90.15%，分类效果比起前面5个种类的分类表现较差。基于以上的ResNet50网络模型结构参数和训练参数，对ResNet50模型进行训练，为了研究数据集类属样本数量均衡性对基于ResNet50卷积神经网络的图像分类结果的影响，先对5类类属样本较均衡的番茄叶片病害图像进行训练和识别，该训练数据集共包含7692张图片，测试数据集为1870张，对应的病害标签为0、1、2、3、4，由于batchsize大小为64，因此每个epoch共迭代120次，准确率变化曲线和loss曲线如图3-8所示。图3-8ResNet50五分类训练和测试的准确率和Loss曲线图由图3-8可以看出，该CNN模型经过20轮次的学习训练，从训练曲线来看，在训练了15个轮次后，准确率曲线保持平稳，波动幅度缩小，准确率接近百分之百，而loss曲线在训练了20轮后逐渐趋于0。从测试曲线来看，测试曲线的准确率在10个epoch后趋于平稳，大致在97.5%左右，而测试曲线的loss在5个epoch后集中在0.1附近波动。该模型最终预测的准确率为97.49%，分类效果相当优秀。再来研究加入4种类属样本数量较少且不均衡的其他数据集给ResNet50模型分类结果带来的影响。该4类数据集训练集数量为611、607、509、237，测试集数量为161、155、129、101，对应病害标签5、6、7、8。这样训练数据集即原始数据集，训练集共9656张图像，测试集共2416张图像，对应所有的病害标签。由于batchsize大小为64，因此每个epoch共迭代150次。准确率变化曲线和loss曲线如图3-9所示。图3-9ResNet50九分类训练和测试的准确率和Loss曲线图由图3-9可以看出，该CNN模型经过20轮次的学习训练，训练曲线大概在15个epoch后准确率曲线保持平稳，波动幅度缩小，准确率大致接近百分之百，而loss曲线在训练了10个epoch后也趋于平稳。对比训练曲线，在训练了5轮后，测试曲线的准确率趋于平稳，大致在92.5%左右，测试曲线的loss在5个epoch后趋于平稳。该模型最终预测的准确率为91.87%，分类效果不如前面5个种类的分类效果。基于以上的MobileNetV2网络模型结构参数和训练参数，对MobileNetV2模型进行训练，为了研究数据集类属样本数量均衡性对基于MobileNetV2卷积神经网络的图像分类结果的影响，先对5类类属样本较均衡的番茄叶片病害图像进行训练和识别，该训练数据集共包含7692张图片，测试数据集为1870张，对应的病害标签为0、1、2、3、4，由于batchsize大小为64，因此每个epoch共迭代120次，准确率变化曲线和loss曲线如图3-10所示。图3-10MobileNetV2五分类训练和测试的准确率和Loss曲线图由图3-10可以看出，该CNN模型经过20轮次的学习训练，在训练了15个epoch后，训练曲线的准确率曲线基本保持平稳，波动幅度缩小，准确率接近百分之百，而loss曲线在20个epoch后逐渐趋于0。对比训练曲线，测试曲线的准确率在训练了10轮后趋于平稳，大致在98%左右，而测试曲线的loss在训练了10个epoch后集中在0.10附近波动。该模型最终预测的准确率为95.78%。再来研究加入4种类属样本数量较少且不均衡的其他数据集给ResNet50模型分类结果带来的影响。该4类数据集训练集数量为611、607、509、237，测试集数量为161、155、129、101，对应病害标签5、6、7、8。这样训练数据集即原始数据集，训练集共9656张图像，测试集共2416张图像，对应所有的病害标签。由于batchsize大小为64，因此每个epoch共迭代150次。准确率变化曲线和loss曲线如图3-11所示。图3-11MobileNetV2九分类训练和测试的准确率和Loss曲线图由图3-11可以看出，该CNN模型经过20轮次的学习训练，从训练曲线上来看，大概在15个epoch后准确率曲线保持平稳，波动幅度缩小，准确率大致接近百分之百，而loss曲线在训练了15轮后也趋于平稳。从测试曲线来看，测试曲线的准确率在训练了5个轮次后趋于平稳，大致在95%左右，而测试曲线的loss在训练了5个epoch后趋于平稳。该模型最终预测的准确率为95.53%，分类效果比起前面5个种类的分类表现稍微有所下降。1.8实验结果及分析不同的神经网络对于5分类和9分类的准确率对比如表3-5所示。表3-5不同模型对5分类和9分类的识别结果网络模型5分类准确率9分类准确率VGG1695.40%89.40%InceptionV395.61%90.15%ResNet5097.49%91.87%MobileNetV295.78%95.53%从表中可以看出，VGG16、InceptionV3、ResNet50、MobileNetV2这四种卷积神经网络在分类的准确率上都有着不俗的表现。其中，对于5分类来说，识别准确率都达到了95%以上，说明当数据集类属较少且数据集类属样本数比较均衡时，模型的识别结果能够取得不错的表现，表现最好的是ResNet50网络，准确率高达97.49%，剩余三种网络差距不大，识别准确率最低的是VGG16的95.40%。对于9分类来讲，识别准确率都有所下降。其中，MobileNetV2识别准确率最高，达到了95.53%，且与5分类时的识别准确率相比只是略微有所下降，而识别准确率最低的VGG16仅有89.40%，说明当数据集类属较多且数据集类属样本数不均衡时，模型的识别效果就会恶化。接下来，再从另一个评价指标F1上来分析，这里只对两种分类共有的标签（0、1、2、3、4）进行对比分析，不同的神经网络对于5分类和9分类的F1值对比如表3-6所示。表3-6不同模型对5分类和9分类的F1值网络模型5分类F1值9分类F1值分类标签VGG1697.75%95.30%88.68%98.63%90.36%97.37%81.94%78.56%96.75%86.24%01234InceptionV398.52%94.79%91.57%96.21%89.25%98.35%88.26%74.81%97.45%85.86%01234Re