【《基于vgg16的大豆病虫害识别方法分析案例》2800字】

基于vgg16的大豆病虫害识别方法分析案例目录TOC\o"1-3"\h\u7869基于vgg16的大豆病虫害识别方法分析案例 1321311.1vgg16网络结构 1256761.2模型训练过程 21.1vgg16网络结构vgg16由牛津大学视觉几何组提出，并且在2014年的ImageNet图像分类与定义挑战赛中取得了优异的成绩，在图像定位中更是首居榜位。而且，vgg16模型构造简单，由16个卷积池化层和两个全连接层构成，下图为vgg16的网络结构。图6vgg16结构图Figure6vgg16structurediagramVgg16结构简介，每次进行卷积运算都用3*3的卷积核，多卷积核的串联可以很好的完成大卷积核的功能，并且极大的减小了参数。当图片进入vgg16网络后，首先被resize到（224，224，3），之后通过两层卷积一层池化变为（112，112，64），然后再通过两层卷积核一层池化变为（56，56，128），再通过三层卷积核一层池化变为（28，28，256），再通过三层卷积核一层池化变为（14，14，512），再通过三层卷积核一层池化变为（7，7，512），最后通过两层全连接层从（1，1，4096）变为（1，1，1000），其中输入图像的通道数必须为3，输出增是一个很长的一维向量。1.1.1vgg16具体网络架构以及图像参数变化Vgg16算法的框架如下;（1）input数据输入层，将数字图像转化为数组输入进框架之中两个卷积层，首先将rbg三通道，224*224像素的图像通过64个3*3*3的卷积核操做变为64通道一个池化层，经过两层卷积层的特征提取后池化层对特征提取矩阵进行降维操作，特征矩阵维度减半，由原来的224*224*64变为112*112*64两个卷积层，这次两层卷积层的卷积核为128个，图像的通道数变为112*112*128一个池化层，经过两层卷积层的特征提取后池化层对特征提取矩阵进行降维操作，特征矩阵维度减半，由原来的112*112*128变为56*56*128三个卷积层，这次三个卷积层的卷积核为256个，图像通道变为56*56*256一个池化层，经过两层卷积层的特征提取后池化层对特征提取矩阵进行降维操作，特征矩阵维度减半，由原来的56*56*256变为28*28*256三个卷积层，这次三个卷积层的卷积核为512个，图像通道变为28*28*512一个池化层，经过两层卷积层的特征提取后池化层对特征提取矩阵进行降维操作，特征矩阵维度减半，由原来的28*28*512变为14*14*512三个卷积层，这次三个卷积层的卷积核为512个，所以通道数不变，仍未14*14*512一个池化层，经过两层卷积层的特征提取后池化层对特征提取矩阵进行降维操作，特征矩阵维度减半，由原来的14*14*512变为7*7*512最后到三个全连接fc层，其作用为将上一个池化层的每一个结点全部连接起来，将全部特征整合到一起，VGG16中，第一个全连接层FC1有4096个节点，上一层pool之后得到是10x10x512=51200个节点，同样第二个全连接层FC2也有4096个节点，最后一个FC3有1000个节点。最后以一个1000个结点的向量形式输出，其中输出也就是分类器，本文用softmax来完成分类操作。1.2模型训练过程完整的学习过程包括用历史数据训练模型，用标记好的数据来验证模型以及没有标记的模型来预测结果。在vgg16模型中，通过梯度下降算法来修正整个神经网络中的参数，进而是损失函数的值降低，我们称之为反向传播算法。其中本文选用softmax分类器来完成逻辑回归分类。然后用adam来完成对于模型的优化，adam优化器对梯度的一阶矩估计和二阶矩估计进行综合考虑，更新出合适的步长。之后设置学习轮次，本次根据实验数据集的数量将其设置为30轮，通过训练数据来预测训练结果，然后通过实际值和预测值来算得准确率，此时模型训练完毕。1.2.1详细流程整体训练分为前向传播与反向传播两个过程，首先要初始化权重的值，不同的初始化权值方法对模型有不同程度的影响。算法流程大概有以下几步：初始化网络的权重值w，把偏置量b设为常数导入训练集样本，输入到vgg16网络框架中训练的数据集转为数组，不断的进行forward（）函数完成前向传播，不断特征提取，得到出处的特征值向量计算输出值与实际量的残差，如果差值小于预设的参数，训练停止，否则继续训练利用反向传播算法求出残差，更新上一轮初始化的权重重新导入新的数据集元素，开始下一轮的训练在训练完成后进行测试阶段，步骤如下根据训练后的参数重新初始化模型的权重导入测试集样本，并自动转化为数组数组进行前向传播，完成特征提取，降维以及结点特征值的整合归纳输出结果将输出向量与标准向量相比较，根据最小差距原则完成分类操作输出分类结果重复导入新样本，直至所有训练完成。1.2.2训练的优化在训练过程中，由于训练集的数量受限，往往会出现过度拟合化现象。在训练过程中，过度拟合化问题会随着反向传播算法得到优化而逐步减小，而在测试过程中这种过拟合现象会越来越明显，这主要问题是在训练过程中对训练集的参数很好的拟合导致对于训练集以外的参数在拟合方面出现严重问题，其中在训练过程中为了防止过拟合的出现，就有需要进行正则化处理来提高模型的泛化能力，神经网络中的隐藏层增加正则化剋很好的避免过拟合这种现象的出现。通常的处理方法是在各个层中添加惩罚项，与损失函数一起来优化神经网络的参数，一般的正则项会加在输出项，偏置向量和权重参数上，进而可以减小训练过程中给过拟合的出现。在构建与训练神经网络时优化函数的选择也极为重要，不同的优化函数对于模型的影响不同，进而也会对输出值有不同程度的影响。随机梯度下降法是常用的一种优化器，对于少量图片的去噪有显著影响，但是参调过程复杂，本次实验采用的优化器为adam，很好的避免了这一问题。1.2.3训练代码的展示图7训练程序代码Figure7trainingprogramcode以上是训练模型时的代码，本次实验是基于keras框架下的vgg16模型，可以再keras包中加载成熟的vgg16模型，然后用add来增加全连接层，并设置输出维度，再通过30次迭代来训练模型，训练完后再将独热编码处理后的标签转为可识别标签，再根据结果测出准确率，下图为训练完毕的结果。图8训练结果Figure8trainingresults在大多时候，为了提高图片的利用率，往往会拓展训练集。拓展数据集通常意义上是指将单位图片进行不同的复杂变化，进而达到增加训练集，防止过拟合的出现，得到更为精准的分类精度。常用的拓展数据方法为：旋转图片，沿不同方向翻转图片，已一定的比例方法或缩小图片，改变图像的rmb通道，改变图像的饱和度等等。1.3大豆病害的识别方法与算法流程本次识别大大豆病害分为灰斑病，病毒病和细菌性斑点病，识别内容为各个病害的数字图像，对于图像的识别通过卷积神经网络vgg16算法来完成。本程序基于·keras下的vgg16结构来完成vgg16网络，之后定义modelProcess函数，通过路径来读取图片，然后转换为图像数组，通过导入的model完成特征提取。通过transform_format函数来完成格式的转换，将各种图片都转化为png格式并且都转换为rgb图像。再通过read_data函数来读取训练集的分类标签以及各个标签下的图片，将三类病害标签下的图片每一张进行特征提取往复循环，直至所有训练集都参与训练。之后根据路径训练集导入到模型中，依次经过卷积层池化层，通过两个全连接层完成训练，其中优化器为adma，分类器为softmax，最后的输出为训练的准确率。然后导入测试集，将其放到模型中，训练好的模型会输出测试结果，并且将图片于结果打印出来。下面为算法过程以及算法流程图图9算法过程图Figure9algorithmprocessdiagram图10算法流