【《基于加权损失函数的番茄病害识别分析》4100字】

基于加权损失函数的番茄病害识别分析目录TOC\o"1-3"\h\u13065基于加权损失函数的番茄病害识别分析 )加权损失函数有两个重要参数：：可以起到对易分类样本减缓其加权速率的作用。当时，加权损失函数效果可被视作交叉熵，随着参数的变大，其对易分类样本的加权速率影响越大。：平衡加权损失函数，相对于非平衡。对番茄病害识别中使用加权损失函数主要有以下两个优点：第一，重视难分类样本。是目标的预测值，也是激活函数的概率输出，一般就是经过softmax后的结果,范围在0-1之间。越大，而权重越小，即相对较为简单的分类样本可以通过权重进行控制。第二，均衡样本类别之间的比例。值来控制每一类样本对总损失的权重贡献。当值相对较小时，会降低番茄病害中分类正确数目较多的样本的权重。在本文数据集中不同种类的类比比例相差超过十倍，这样将会导致样本之间比例极不均衡。而该损失函数对不同类别的样本采用不同的系数，增大数目较少的类别在数据中的损失占比，并相应的增加类别数目较多样本的损失占比。通过调整不同样本之间的比例系数，能够有效防止番茄病害中样本比例严重失衡的问题。其中，当时效果最好，模型最优。1.4卷积神经网络训练和识别过程1.4.1VGG16基于第三章的VGG16网络模型结构参数和训练参数，用加权损失函数来替代传统的交叉熵损失函数，对9类原始番茄叶片病害图像进行训练和识别，其他条件不变。该训练数据集共包含9656张图片，测试数据集为2416张，对应的病害标签为0，1，2，3，4，5，6，7，8。准确率变化曲线和loss曲线如图5-1和图5-2所示。图5-1采用加权损失函数的VGG16训练和测试的准确率和Loss曲线图由图可知，该CNN模型经过20轮次的学习训练，由训练曲线可知，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，准确率在90%左右，而loss曲线在训练了15轮后逐渐趋于平稳。由测试曲线可以看出，测试曲线的准确率在训练了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15个轮次后趋于平稳。该模型最终预测的准确率为91.93%。1.4.2InceptionV3基于第三章的VGG16网络模型结构参数和训练参数，用加权损失函数来替代传统的交叉熵损失函数，对9类原始番茄叶片病害图像进行训练和识别，其他条件不变。该训练数据集共包含9656张图片，测试数据集为2416张，对应的病害标签为0，1，2，3，4，5，6，7，8。准确率变化曲线和loss曲线见图5-2。图5-2采用加权损失函数的InceptionV3训练和测试的准确率和Loss曲线图该CNN模型经过20轮次的学习训练，从训练曲线来看，大概在训练了15个epoch后，训练曲线准确率曲线保持平稳，波动幅度缩小，准确率达到95%，而loss曲线在训练了15个epoch后逐渐趋于平稳。从测试曲线来看，测试曲线的准确率在训练了10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5个轮次后趋于平稳。该模型最终预测的准确率为91.68%。1.4.3ResNet50基于第三章的ResNet50网络模型结构参数和训练参数，用加权损失函数来替代传统的交叉熵损失函数，对9类原始番茄叶片病害图像进行训练和识别，其他条件不变。该训练数据集共包含9656张图片，测试数据集为2416张，对应的病害标签为0，1，2，3，4，5，6，7，8。准确率变化曲线和loss曲线见图5-3。图5-3采用加权损失函数的ResNet50训练和测试的准确率和Loss曲线图该CNN模型经过20轮次的学习训练，由训练曲线可知，经过大约10轮学习训练后，准确率趋于稳定，准确率达到接近100%，而loss曲线在学习训练了15个轮次后逐渐趋于平稳。由测试曲线来看，测试曲线的准确率在训练了10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轮后趋于平稳。该模型最终预测的准确率为94.58%。1.4.4MobileNetV2基于第三章的MobileNetV2网络模型结构参数和训练参数，用加权损失函数来替代传统的交叉熵损失函数，对9类原始番茄叶片病害图像进行训练和识别，其他条件不变。该番茄病害训练集共9656张，测试集为2416张，对应的病害标签为0，1，2，3，4，5，6，7，8。准确率变化曲线和loss曲线见图5-4。图5-4采用加权损失函数的MobileNetV2训练和测试的准确率和Loss曲线图该CNN模型经过20轮次的学习训练，从训练曲线来看，大概在训练了15个epoch后，准确率曲线保持平稳，准确率达到接近100%，而loss曲线在训练了15个轮次后逐渐趋于平稳。从测试曲线来看，测试曲线的准确率在训练了10个epoch后趋于平稳，大致在95%左右，而测试曲线的loss在训练了5个轮次后趋于平稳。该模型最终预测的准确率为91.53%。1.5实验结果及分析采用传统的交叉熵函数和加权损失函数的不同的神经网络对于原始数据集识别准确率对比如表5-1所示。表5-1采用不同损失函数的不同模型识别准确率对比网络模型交叉熵函数加权损失函数VGG1689.40%91.93%InceptionV390.15%91.68%ResNet5093.87%94.58%MobileNetV294.00%91.53%由上表可以看出，采用加权损失函数的识别准确率较传统的交叉熵函数有了一定程度的提升，其中，VGG16提升了2.53%，InceptionV3提升了1.53%，ResNet50提升了0.71%，MobileNetV2提升了1.53%。可以看出，提升幅度最大的是VGG16网络。识别准确率最高的模型仍然是MobileNetV2。实验结果表明采用加权损失函数代替传统的交叉熵可以在一定程度上提升识别的准确率。再来分析F1值，表5-2给出了采用交叉熵函数和加权损失函数的不同的神经网络F1值的对比情况。表5-2不同模型数据增强前后F1值对比网络模型原始数据集数据增强后的数据集分类标签VGG1697.37%83.94%78.56%96.75%86.24%88.15%81.51%73.46%92.61%97.40%90.39%82.49%97.88%87.47%89.01%86.21%82.55%91.43%012345678InceptionV398.35%88.26%74.81%97.45%81.86%91.67%84.32%98.53%89.86%79.92%97.04%89.73%87.05%88.45%0123456ResNet5071.95%91.54%98.57%90.60%86.53%96.91%91.89%92.75%90.51%87.72%91.15%78.91%91.98%98.69%92.80%87.69%97.67%92.14%91.24%89.59%89.20%94.85%78012345678MobileNetV299.29%93.00%81.15%98.61%91.98%87.43%98.99%93.52%90.65%99.02%91.91%92.44%012345网络模型原始数据集数据增强后的数据集分类标签MobileNetV294.00%82.51%96.48%94.87%89.78%97.54%678从VGG16上来看，原始数据集中1、2、6、7的F1值较低，采用加权损失函数后，1、2、6、7的F1值分别得到了6.45%、3.93%、4.70%和9.09%的提升，其他类属的样本F1值变化基本不大，仍然能保持85%以上的标准；从InceptionV3上来看，原始数据集中F1值较低的2、6、7得到了1.11%、4.13%和6.96%的提升，其他的高F1值仍能保持较高的水准；从ResNet50上来看，原始数据集中F1值较低的2、7分别上升了1.16%、1.48%；从MobileNetV2上来看，原始数据集中F1值较低的2和7提升了1.5%和7.27%，其他的高F1值仍能保持较高的水准。从以