-
题名面向神经网络结构搜索的植物叶片病害增强识别方法
- 1
-
-
作者
代国威
田志民
樊景超
王朝雨
-
机构
中国农业科学院农业信息研究所/国家农业科学数据中心
河北水利电力学院
中国农业科学院国家南繁研究院
广汉市中医院
-
出处
《西北林学院学报》
CSCD
北大核心
2023年第5期153-161,193,共10页
-
基金
国家重点研发计划项目(2021YFF0704200)
中国农业科学院院级基本科研业务费(Y2022LM20)
中国农业科学院科技创新工程项目(CAAS-ASTIP-2016-AII)。
-
文摘
针对植物病害识别模型结构复杂且依赖于人为设计网络结构等问题,通过神经网络结构搜索(NAS),提出一种基于队列分块的神经网络结构搜索方法(NNSS),可实现超轻量级高精度植物叶片图像识别模型的自动构建。首先将12种在经济和环境下有益的植物共计22类植物叶片图像作为训练样本,利用模糊c均值聚类(FCM)算法分割植物叶片的感染点,以获得叶片受关注的区域信息;通过图像像素的灰度空间相关性,采用快速灰度共生矩阵(FGLCM)算法提取6类受关注区域的纹理特征信息,获得的特征向量运用主成分变换选择重要特征;提出队列分块的局部搜索空间构造方法,将特征信息通过自动构建的模型进行分类。结果表明,NNSS方法取得了98.33%的准确率,特异性和灵敏性表现最优。相比于AlexNet、GoogLeNet、InceptionV3和VGGNet-16模型,改进VGG-INCEP16模型的性能得到进一步提升,但仍低于NNSS方法,这是由于该方法能结合数据集搜索合适的网络结构,对比次优VGG-INCEP16模型准确率至少提高了2.1%。研究结果显示,NNSS方法能够实现准确识别植物病害,对于神经网络模型结构自动搜索的未来具有较高的实际应用价值。
-
关键词
图像处理
神经网络结构搜索
模糊C均值聚类
快速灰度共生矩阵
叶片病害识别
-
Keywords
image processing
neural network structure search
fuzzy c-means clustering
fast grey-level cooccurrence matrix
leaf disease identification
-
分类号
S763.1
[农业科学—森林保护学]
-
