【《基于机器视觉的甘蓝型油菜叶片图像害虫抗性分类模型分析案例》2300字】

基于机器视觉的甘蓝型油菜叶片图像害虫抗性分类模型分析案例目录TOC\o"1-3"\h\u11032基于机器视觉的甘蓝型油菜叶片图像害虫抗性分类模型分析案例 1116171.1模式识别 11901.2油菜叶片害虫抗性分类诊断 1191821.3卷积神经网络 2262951.3.1神经网络模型的训练 337801.4甘蓝型油菜害虫抗性分类模型设计 394911.5小结 5本章为植物生长状态检测系统的研究重点，油菜抗虫性的强弱直接影响到未来的生长。若抗虫性强，则甘蓝型油菜不易受病虫的伤害，可以判断出油菜的生长状态良好。叶片的虫害状况可以直接对植物的整体生长进行反映。本系统设计了甘蓝型油菜叶片图像对于菜青虫抗虫性的分类，可以实现对甘蓝型油菜叶片的抗虫性等级的判断。1.1模式识别模式识别就是利用各种形式的信息对事物进行描述的方法。在本文中，由于需要识别的对象为图片，所以主要对图片中物体的形状特征进行识别[60]。在模式识别中，首先要通过相关的机制提取出要识别物体的信息，然后将在不同阶段提取的信息进行一个整合，从而得到完整的提取信息。在训练过程中，将训练样本进行特征提取，然后通过分类器输出结果。输入矢量为X={X1，X2，…，Xn}，这个矢量是输入特征的集合[61]，输出的集合即为输出矢量Y={Y1，Y2，…，Yn}。训练和识别的过程如图1.1所示:（a）训练过程（b）识别过程图1.1分类器训练识别过程1.2油菜叶片害虫抗性分类诊断本文一共有600个样本，通过本节对虫害指数进行计算，将这600个样本分为7类，分别是免疫、高抗、中抗、低抗、低感、中感和高感。把分类完毕的样本数据输入到神经网络中进行训练，从而完成分类模型的设计。根据4.1.2节的虫情分级标准计算虫害指数，公式为：WI=100×si公式（1.1）中WI为虫害指数，si为表4.1中的虫害级别，ni为相应虫害级别的数量，i为表4.1中虫害分级的各个标准，N为调查叶片的总数量。根据中国农业出版社出版的《油菜种质资源描述规范和数据标准》建立的菜青虫抗性分类标准以及不同级别叶片的数量如下：表1.1菜青虫抗性分类及不同级别样本叶片数量1.3卷积神经网络CNN是深度学习的代表算法之一，CNN中的卷积层和池化层可以与输入特征进行响应。卷积神经网络具有卷积核参数共享和层间稀疏连接的特点，可以减少参数数目。它使操作简单高效[62]。然而，当对农作物进行分类训练的时候，由于种种原因，可以获得的数据集并不是很大，所以会因为这个原因造成模型的过拟合。为了解决这种问题，本文将CNN模型与迁移学习进行结合，这种方法可以有效的解决因为数据集过小产生的问题。VGGNet是一种通过重复堆叠3×3和2×2的小卷积核和最大池化层对图像特征进行提取的模型。并且为了提取到更多的特征信息而对网络规模进行加大时，该模型的参数量并不会因此显著变多，因此对其他数据集具有良好的泛化能力[63]。图1.2为该模型的原理图。图1.3VGG16结构图1.3.1神经网络模型的训练（1）首先选用交叉熵函数作为模型的损失函数，具体表示如公式（1.2）所示：L=-Y（2）在卷积神经网络模型的末尾添加softmax分类器。模型将输入图像提取到的特征值进行分类，从而可以得到甘蓝型油菜害虫抗性分类的概率值，可使结果更直观。（3）本位采用0.005的学习率对模型进行训练。因为模型已经在数据集上收敛过，所以当学习率过高的时候，会导致训练过程产生震荡。（4）本文搭建的模型选择小批量梯度下降法进行算法优化。假设线性回归函数为公式：hθ(x其中i=1，2，…，m表示样本数。（5）对应的目标函数即为公式（1.4）所示：Jθ0,则其每次迭代对参数进行更新表示为公式（1.5）所示：θj=θ通过小批量梯度下降法可以有效地提高内存的利用率降低训练震荡提高精确度。1.4甘蓝型油菜害虫抗性分类模型设计本文通过keras深度学习框架来构建网络模型。首先，在对模型进行训练之前要对图像数据进行处理，根据4.4.2节的虫情分类标准将本文的叶片图像分成不同的级别。并从中选取一定数量的样本作为测试用的图像。然后从keras函数库中导入VGG16网络，并将训练好的模型权值参数导入模型中进行迁移学习。由于本文所采集到的叶片图像数量很少，在训练模型的时候容易产生过拟合的现象，因此进行分类后的图像进行平移、旋转和缩放，增加了原始数据集的数量。该方法能有效地避免过拟合，提高训练效率。对1.2节分类的600组数据进行训练。首先将轮次数设置为20，在这个条件下找到识别正确率最高的批次数。如图1.4所示，识别正确率最高为0.81，此时批次数为600，因此将本文搭建的模型批次数设置为600。图1.4不同批尺寸batch-size下识别正确率当批次数设置为600时，在这种条件下根据识别正确率选择轮次数。如图1.5所示，当轮数为650时，分类精度最佳为0.85。之后随着轮次数增加，出现了过拟合的现象。因此轮次数被设置为650。图1.5轮次数和识别正确率关系图本文在第3节中的甘蓝型油菜叶片图像中选择35个测试样本，将测试样本输入到训练好的VGG16神经网络中来检验该网络的分类正确率，实验结果如表1.2所示。表1.2测试样本分类结果如表1.2所示，将35个测试样本输入到搭建好的模型中，从上表中计算的期望值与实际值之间的误差大小可以判断出本文所搭建的模型误差较低。为了进一步证明此结论，采用公式（1.6）的计算测试样本输出结果的均方差。σ（1.6）在公式（1.6）中μ代表输入数据的平均值，σ表示计算的输入数据的均方差。通过均方差公式可以算出本文使用的35的测试样本最后输出结果的均方差为0.3968151。为了减少计算的复杂性，只计算分类结果的整数部分，从而计算出正确率为96.39%。综上所述，本文设计的油菜叶片图像害虫抗性分类模型在测试样本上的分类正确率较高。1.5小结本文针对甘蓝型油菜的叶片图像作为研究对象，提出了一种基于VGG16卷积神经网络模型的抗性分类模型。将图像进行分割以及以及相关处理后输入到模型中，选择交叉熵函数作为损失函数，并使用小批量梯度下降法对模型进行优化，设