计算机本科毕业设计-基于迁移学习的草莓果实白粉病识别研究与应用

PAGE2PAGE1基于迁移学习的草莓果实白粉病识别研究与应用摘要近年来，草莓果品在国内外草莓果品农业和生产经营体系的发展中也占据了非常重要的社会地位。它被国际科学家称为“水果女王”。但草莓在栽培过程中容易引起或遭受各种果树病虫害的直接侵袭。草莓粉状害虫的反复发生将进一步严重干扰和直接影响草莓果实作物的正常产量和品质。目前，传统医学中最常用的植物叶片图像病害特征诊断和识别方法仍是基于人工诊断、选择和识别植物叶片图像和受损果实图像，并结合人工手段对主要病害特征进行提取和识别。费时费力，多发生在症状特征不明显的识别诊断关键期。由于缺乏一些主观和有意识的因素，容易导致错误识别和误判。因此，本专项技术研究的目的是进一步研究和探索我国草莓果实白粉病问题，制定一套更高效、准确、快速、高效的草莓果实病害防治和鉴定方法。本文首次提出了一种基于迁移学习技术的草莓白粉病识别技术的方法模型及相关应用模式，能够轻松实现对白粉病植物的快速、有效、准确识别，对整个作物病害的检测、鉴定和分析领域具有一定的实验参考价值。关键词：草莓果实白粉病；迁移学习；卷积神经网络；病害识别；Django目录TOC\o"1-2"\h\u30334第一章绪论 1167961.1研究背景与意义 110201.2研究的内容 46051第二章草莓果实数据库建立 5149882.1草莓白粉病介绍 5116862.2草莓果实图像的采集 683312.3草莓果实图像的处理 710732.4草莓果实图像数据库的建立 133662.5本章小结 1414745第三章基于迁移学习的病害识别模型研究 15184653.1模型设计 15254353.2结果分析 172933参考文献 25基于迁移学习的草莓果实白粉病识别研究与应用第一章绪论PAGE1第一章绪论1.1研究背景与意义在北方的水果和蔬菜生产中，草莓仍然占有重要的地位。其优质水果因其美味、新鲜、多汁、营养丰富，被专家称为绿色食品中的“水果皇后”产品。水果除用作新鲜食品外，还可以进一步加工成果汁、果酒、草莓酱饮料等功能性食品，具有很高的潜在经济开发价值(如李鹤等，2016)。此外，草莓生产季节短，适应性强，在温室种植管理上更有优势，易于栽培。然而，草莓白粉病的复发将直接严重影响草莓的果实产量和外观品质(详见郝宝春和杨莉，2009)。近年来，由于我国农业经济形势、气候变化、农村劳动力资源等各种社会综合因素的影响，在植物病害的调查、检测和预测中出现了许多新的问题。其研究正面临着新的实践挑战，并趋于严峻。因此，开发新型植物病害调查检测技术是保证植物在生长育种过程中快速健康生长的必然客观要求。本研究旨在对我国草莓果实白粉病进行诊断和鉴定，为今后草莓人工采收、农药施用栽培等自动育种提供坚实的理论和技术基础。这对提高草莓减产增效，安全有效地防治果树病害具有积极的科学理论意义。随着农业计算机技术领域研究的逐步深入和发展，一种基于农业计算机图像技术的具有多种处理和分析功能的农林植物病害自动图像识别新方法已经出现或发展。2015年年中以前，农业植物病害特征的快速识别方法是基于图像技术的研究。主要发达国家采取了一些人为设计的特性曲线图像快速识别疾病的特征,如如边缘线(廖经纬等,2018)、HOG(SugiartoB等,2017)、LBP(YuanQi,Zhou等,2018)、Haar(王震等,2018)、SIFT(刘永波等,2018)等。然后，将功能分类中计算和特征识别的研究方法应用于人工神经网络(HiaryH等,2011)和支持向量机网络(PadolPB等,2016)。由于三维植物病害的纹理极其复杂，通过人工建模获得的病害图像模型系统的典型应用研究场景一般设置在三维非结构化环境中。因此,如果疾病三维图像特性仅靠人体建模系统是设计和建造,很难确保几乎所有三维外观特性数据包括上述三维主要疾病从疾病中提取图像纹理特性,并且识别度较强，使得通过上述模式和识别建模方法得到的三维植物病害特征系统识别模型具有通用的仿真效果。相对而言，卷积神经网络(ConvolutionalNeuralNetwork,CNN)具有更强大的生物特性，如植物自主记忆、分析和判断能力，以及系统学习语言表达和识别能力，可以有效避免长时间的学习。近年来，它已广泛应用于农业植物病害的人工识别。摘要z等。针对我国9种转基因杂交玉米叶片病害，提出了一种基于深度机器学习算法的改进玉米继发性病害识别模型。综合实验分析表明，googlenet模型和cifar10模型对第一种疾病的平均识别准确率分别为98.9%和98.8%(XihaiZetal.，2018);OppenheimD等。首先，成功比较了深度卷积神经网络算法，验证了温室马铃薯种植中4种常见重要作物病害的智能快速识别、分类、检测和识别分析(D.etal.，2017);马军成等人针对中国温室黄瓜生产中的另外两种常见病害，构建并完成了另一种基于CNN网络算法的全球马铃薯病害智能快速识别、分析和检测系统的开发。智能分析检测系统的快速识别检测精度在95.7%以上(马俊成等，2018)。孙云云等针对茶树三种常见病害设计并优化了7种病害预处理技术，利用alexnet模型技术实现了茶树病害的快速识别系统(孙云云等，2019)。以上研究成果仅指基于cnn学习方法在小样本疾病快速识别中的成功应用。然而,由于大量的快速识别应用程序模型的参数通过CNN学习方法训练通常需要很长时间才能被训练通过大样本数据集模型,为了大大缩短学习时间样本模型的训练,实现快速和学习效果更好的应用程序,许多相关专业和学者倡导知识转移学习方法的训练方法，将在大样本数据集基础上学习到的知识转移到“转移”中，并应用于训练自己的疾病快速识别模型。龙胜等课题组对油茶四种病害进行了alexnet模型的迁移验证和学习。实验和分析验证结果进一步充分表明，该病害识别与油茶病害识别方法相比，具有鲁棒性低、鲁棒性高、准确性高的优点(longManshengetal.，2018)。章建华等等。对5种草莓棉病害进行了鉴定，并通过微调和迁移学习对vgg-16网络模型进行了改进。草莓病害鉴定结果加权平均识别率达到89.51%(张建华等，2018)。上述研究领域大多集中于草莓等豆科果树病害特征的快速识别。目前还没有基于CNN的草莓果实病害特征快速识别与应用的基础研究卷积神经网络技术本身具有非常强大和灵活的生物自主特征学习能力。对自然语言进行识别和快速的表达式提取和分析，可以有效地避免一些复杂的学习和提取过程。近年来，该算法已广泛并成功地应用于植物病害生物学症状和行为的快速智能特征识别。然而，根据国内学术界目前的相关研究网络模型，大多只针对杂交水稻、玉米或小麦白粉病等种子作物，而缺乏能够直接用于杂交草莓白粉病等果树抗白粉病研究的深入研究网络模型。因此，笔者随机选取并设计了这四种深度研究网络模型(vgg-16、resnet-50、Inception-v3和densenet-121)，它们是一系列研究网络模型的设计框架。采用参数迁移模型的设计开发方法，在大型网络数据处理平台Imagenet上对系统进行了多次仿真训练。将仿真模型数据和仿真训练结果参数的传输直接用于草莓白粉病的识别和模型试验。现对本次专项前期研究项目所完成的十余项重大实验研究和设计工作成果进行总结，并简要介绍获奖目录中具有代表性的主要成果:(1)初步建立了大型草莓健康果图片和草莓白粉病图片数据库。收集并记录两种主要类型的图像，即大型草莓果实的绿色健康果图像和草莓白粉病(在田间环境条件的各种变化下可能引起病虫害)的绿色健康果图像，建立并形成国内最大的大型野草莓健康绿白粉病图像数据库，至少包含6364万张图像。为了更好、系统地探究草莓田生长环境变化产生的冗余图像信息是否能够再次对卷积神经网络特征目标提取模型的构建产生重大影响，本研究的重点是将基于HSV的阈值分割提取方法与抓取与切割算法相结合，进一步实现草莓果实图像样本的特征目标图像提取。此外，利用网络方法对图像样本数据进行仿射变换，可以方便地实现模型数据信息的有效扩展，提高网络模型分析研究的数据鲁棒性、效率和准确性。(2)基于迁移学习算法的疾病识别模型系统的算法构建与实现技术及模型优化。本课题的研究成果将提出四种改进的草莓白粉病识别网络模型。基于参数传递的迁移学习方法，对上述四种网络模型的最后一层进行重新设计和初始化(将原来网络的softmax分类器替换为两个标签的softmax分类器)。网络各层的其他模型可以在大型图像数据处理集Imagenet上直接对网络权值参数进行预训练，然后利用草莓果实图像数据库对网络参数进行微调。考虑到实验网络的复杂性，选取了3种类型的图像和3种分辨率，进行了36组图像组合实验。同时实验也证明了基于改进偏移算法和深度学习算法相结合的densenet-121模型在目标提取上是有效的，在512像素处分辨率仅为512×左右。草莓白粉病检测仪的鉴定准确率在同行业中最高，达到98.12%。（3）草莓果实白粉病特征检测智能识别和预报分析系统软件的应用设计及开发。基于苹果Django技术框架搭建苹果草莓病害智能检测识别及分析应用系统,实现了苹果系统对草莓果实白粉病特征检测的智能病害特征检测与识别。该识别技术系统还可具备集文字图像信号的直接输入、识别存储及智能处理、结果信息实时展示的功能应用等多重的功能特性优点于一身,为当今我国的果农用户们提供探索出的了的另外又一种高效快捷且准确和简便安全的新一代智能草莓果实白粉病特征的识别存储方式。综上所述，本系列论文系统地基于以下四种经典网络模型。将迁移算法与机器学习方法进行系统集成，并将迁移算法应用于草莓白粉病的识别模型。通过对多种鉴定方法的组合优化和对比实验研究，合理选择优化后的鉴定网络模型，实现了对多种草莓白粉病类型的快速鉴定，实现了更好更快的鉴定。基于识别技术理论，建立并验证了识别技术模型，并与政府合作设计开发了草莓白粉病智能快速识别技术系统，从而全面、快速地满足国内农业及相关技术研究人员和基层果农提供的迫切信息需求。1.2研究的内容本文拟将基于VGG-16、ResNet-50、Inception-V3和DenseNet-121等这类4种经典的网络模型,利用知识迁移分析与机器学习方法将基于其在大型网络图像数据集ImageNet上学习所获取到的相关图像知识进行迁移并应用到草莓果实白粉病识别模型,利用采集获取到的约为6364幅草莓果实图像数据并对该识别模型进行多种综合技术训练方法试验筛选及模拟测试,经过多种技术组合的方法筛选试验后最终确定选取出草莓最优的识别模型,实现了草莓专家对多种草莓病害类型的准确快速并较好地识别。基于对以上系统理论研究探讨结论及实际应用开发实践过程进行科学探究,设计研制成功并结合实际应用技术开发总结出了草莓果实白粉病的综合快速识别应用技术系统,实现在了田间栽培和环境情况条件下的对草莓果实白粉病综合识别。第二章草莓果实数据库建立第二章草莓果实数据库建立2.1草莓白粉病介绍草莓白粉病通常指植株叶片正面上的染病,在草莓白粉病症状发生或初期植株发病情况时叶片表面的或背面的都有将会长生出的许多的薄薄的一片的锈白色菌丝层,随着初期植株的患病和严重受害情况而逐步的变得逐渐地加重,在发生草莓白粉病症状的晚期症状时叶片正面也是将会开始渐渐的呈现许多暗红或褐色病斑,如草莓叶缘的叶片逐渐卷曲而萎缩,逐渐变焦枯。草莓白粉病是果实在前期极易染病,幼果表面往往还不会完全从其正常大小程度上膨胀就迅速腐烂变软粗大,呈半自然性干枯萎缩状,若因其果在其成熟或后期突然地受到大量白粉粒侵害,果实表面上将就会逐渐均匀的覆盖住了那一层薄薄的厚厚一层的白色粉末,随着草莓前期的患病及受害严重情况而逐步地的发病逐渐地加重,果实外观也将会因此慢慢的失去其正常的光泽感和慢慢的失水而硬化,着色度将随之减弱,严重会大大影响到草莓浆果制品生产的贮藏加工与质量,造成了严重损害商品价值降低和经济效益损失。草莓果实白粉病图像特征的识别诊断方法可通过邀请草莓病理学科专家现场进行病理判断检测诊断与病理检测确认,部分草莓新品种的成熟果实表现的草莓白粉病图像特征可如下文图例表2.1图中所示。图2.1草莓白粉病示意图2.2草莓果实图像的采集图2.2田间环境草莓健康果实图像图2.3田间环境草莓白粉病果实图像本实验将利用某高校后山草莓实验种植基地温室内大量健康草莓果实图像，进一步构建草莓图像数据库。目前，数据库中只包含以下两张草莓种子图像，即健康草莓果实和田间环境下生长的白粉病草莓果实。为了充分考虑拍摄环境和天气条件下拍摄对象的自然拍摄场景，我们还选择了避阳光、阴天、上午和下午正常拍摄、采集实时图像的背光拍摄方式。所有捕获的相机数据设备均转换为华为手机，所有焦距拍摄功能均设置并升级为手机自动智能自动对焦。图像采集时显示的两张照片分辨率约为3456像素×3456像素。草莓图像质量的具体变化如图左图2.2和中间图2.3所示:在本课题的实验研究阶段，草莓果实样本图像数据库的图像采集范围和采样时间跨度较大。在两个采样周期内，需要连续采集约7108万张草莓健康水果样本图像。去除一些非常古老和模糊的样本图像后，保留了6364张样本图像，建立并完善了健康草莓果实样本数据库，可用于草莓白粉病果实的快速识别、训练、鉴定和抗病性试验。其中，在田间环境条件监测下，获得健康和无病草莓果实病害图像3403万张，白粉病草莓果实病害图像2961万张。草莓病害图像数据库数量见上文2.1所示:表2.1草莓果实白粉病图像数据库数量disease英文名称中文名称图片数量图片格式Healthyfruit健康果实3403JPGPowderymildewfruit白粉病果实2961JPG2.3草莓果实图像的处理图像预处理模型(GlezakosTJ等,2010)是建立疾病快速识别模型系统的重要技术基础步骤，能够在短时间内有效提高疾病快速识别系统模型的鲁棒性。由于本次实验中参与者收集的草莓图像数据主要是与项目组成员合作设计和收集的，所以我们需要尽量剔除一些可能不符合设计要求和标准的图像数据，并逐步完成所有图像格式的标准化和所有图像的命名和表示。本实验要求统一使用所有图片格式Jpg和PNG;在图像命名管理方面，通过标签管理来统一图像分类的命名2.3.1预处理实验研究时我们所能实际选用取到的草莓图像材料一般主要为在田间光环境照射状态下进行拍摄采集的野生草莓果实,存在的有较多的叶片区域和裸土区域,以及在拍摄时有可能的由于叶片受到背光环境的影响时所可能产生的阴影区域,这些草莓图像所冗余出来的信息也都有着可能的将会对草莓病害的诊断识别鉴定能力所产生的着有一定的地影响。具体情况可如下图表3.4所示:图2.4田间环境草莓果实图像在上面的图中,草莓白粉病图片编号67和152不包含多个草莓白粉病水果,草莓的茎和叶草莓白粉病不会阻塞图像编号73,和草莓白粉病图像编号90没有背光造成的阴影区域。（1）目标提取为了更全面、系统地探究上述现象的发生，以及是否必然会进一步影响卷积神经网络提取的图像特征，本阶段研究团队计划进一步设计并完成以下实验:实现草莓果实图像特征的目标提取，并使用OpenCV(sivkovsetal.，2020)编写图像特征预处理程序，进一步消除野外环境。在下一篇文章中，我们将从目标提取的过程开始，并简单地介绍它。A.草莓病果图像信号自动从RGB颜色空间信号转换为HSV颜色空间。根据色度和饱和度信息，对草莓病害图像进行阈值处理，去除背景。B、向各个方向遍历目标图像区域，并根据分割结果标记目标区域;C，基于标记区域，结合图形和切割算法，实现目标信息的自动提取。部分目标提取后的图像如下图2.5所示。图2.5目标提取后草莓果实图像（2）GrabCut算法Grabcut算法(王连军和王景秋，2019)是一种基于人工视觉交互系统的图像视觉分割与识别技术。分割算法只需要用户确认输入的前景图像和背景图像。根据用户输入的图像的纹理(颜色)、边界(对比度)等信息，可以对图像的前景和背景部分进行最优分割，从而实现对前景图像的较好提取。具体流程如下:A.按照不完全标记的方法，尽量减少人工视觉交互的需要，对前景和背景区域进行标记;B.k-means算法还可以直接面对面前的风景区和背景区域集群中的所有像素,和聚类的结果可以用来初始化和计算高斯混合模型(GMM)前在前台区域和背景区域,分别。C.建立能量方程,使用新方法,例如迭代变换和迭代更新替换主能量最低的估计价值,调整能量高斯混合模型的参数,并使用新的算法,如Mincut/maxflow,最小化能量来实现多目标能源开发价值。E(α,k,θ,z)U(α,k,θ,z)V(α,z)（2-1）式中:为透明系数，α的值A为0表示背景，α常为1表示前景;K表示每个GMM的分量个数，K表示∈{1,2,K}，K值的一般个数通常表示为5;θ={πk,uk,k}，表示给出了各GMM的分量个数及其对应的比例、平均系数和协方差，E值表示能量函数。当只取E的一个值作为其最小值时，可以快速实现最佳分割。U是图像用来表示图像区域之间的相似性匹配项和所有相邻像素测量图像的透明系数αZ,α的最小值是当所有的相邻像素的图像都可以正确地划分为图像的前景和背景区域;系数v表示图像边界能量、相邻像素之间的相似匹配度以及在图像边界处取的最小值。2.3.2数据扩充深度卷积神经网络的研究需要科学家通过训练获得大量的样本图像数据，从而有效提高果树病害样本的识别和准确性。但疾病样本信息的采集和获取较为困难。目前还存在一个很大的问题，缺乏一个大而完整的草莓白粉病图像数据集。因此，在本专题研究中，网络样本图像模型可以通过计算机进行各种仿射和变换方法(平移、旋转、缩放、翻转等)，实现模型数据和pr的动态扩展。数据扩充方式如下：（1）平移变换图像平移变换(LiR等,2020)是指可以在任何一个水平方向图像或在任意一垂直一个水平方向图像轴上移动在一个垂直图像轴上图像的其它的所有像素的像标,意味着其他的所有图像的其它像素也可以依照对其在事先或已被给定位置图像的偏移量而沿着图像沿着垂直于X度轴的轴方向图像在任意一水平方向图像上图像的方向移动,沿着图像的垂直相对于垂直Y度轴图像的水平轴向图像在任何一个垂直图像的方向图像上的移动。图像尺寸的平移上的移动变换类型又通常分为保持原有图像尺寸上的微小变化类型和继续保持现有图像尺寸上的微小不变型两种。第一种矩阵类型能够保证记录保留了进行图像尺寸变换过程前所得的所有原始及完整的图象信息,第二种矩阵类型存储中得到的部分原始的图像资料和完整原始图形信息仍有部分可能会被存在或部分改变或全部丢失。其基本矩阵定义方式及基本计算矩阵公式都可用分别来表示如矩阵公式2-2、2-3所示:（2-2）（2-3）上式中,dx分别表示变换原的水平偏移量,dy均表示变换原的垂直和方向偏移量,其中的(x0,y0)均能表示原变换后原图像的水平图像坐标,而的(x,y)均仅能够表示出原图像变换后水平的方向图像坐标。本方向课题先研究自定义平移矩阵,后又将探索利用一个基于OpenCV的warpAffine函数来实现对草莓果实图像矩阵的平移及矩阵的变换。经过平移处理和变换处理过程后所形成的草莓果实图像如左图第2.6段中的所示:图2.6数据扩充—平移变换（2）旋转变换图像旋转变换法动力学(QiyinC等,2018)动力学是指一个方法指能让一张图像能够按照在其特定的空间位置被旋转变换为一种特定的空间角度,并可确保其在被该角度旋转或变换的过程中保持着该幅图像中最接近原始的尺寸大小和恒定形状的一个动力学过程。在每次变换一个旋转坐标系的旋转图像参数坐标之后,该单幅旋转图像坐标系内的图像水平向对称轴、垂直方向或对称轴方向上和该旋转的图像中心坐标位置上相应的旋转图像原点位置上均表示随时也可能会要同时发生另外一些位置变化,因此我们还会需要相应地重新再一次变换这一个旋转图像坐标的图像旋转中心坐标。其图像的旋转坐标参数示意图如附件第2.7图所示:图2.7旋转变换示意图Figure2.7Rotationtransformationdiagram变换后的图像用上图中的原始坐标(x0)表示，其中，变换后的图像用原始坐标(x0)表示，α分别表示原始图像的坐标点与原始坐标轴的相对夹角，其中θ分别表示原点的旋转角度，R分别表示从原始图像坐标原点到变换后原点的线性距离。矩阵和积分公式如图2-4和2-5所示:(2-4)(2-5)本课题的实验目的和研究方法是利用getrotationmatrix2d函数获取原始图像中的旋转矩阵，然后利用基于OpenCV的warpaffine函数逐步实现原始图像中旋转矩阵的旋转变换。旋转后形成的草莓果实图像如图2.8所示:图2.8数据扩充—旋转变换（3）镜像变换图像的垂直向镜像变换方法(AVC等,2019)该方法又包括了水平镜像变换法和图像的垂直方向镜像变换方法等两种的主要应用类型。水平镜像的变换的方法一般是指通过以左右两幅图像的各自的垂直轴同一直线方向图上的某一条中心线图像为垂轴,对换另外一条图像中心线方向上左右两侧的图像的相同长度的每两个像素,意味着我们需要先将另外两条中线图像中心线上两侧的图像其左下一半长的图像部分图像和其的右上半长部分图像进行互换。垂直半镜像变换基本原理是指以两条垂直相交于一个图像水平方向线上的某一条图像中心线为变换轴,将另外两个平行图像轴间的图像垂直水平上半的图像部分和垂直于水平垂直下半图像的图像部分之间相互映换。水平镜像变换原理中所用的变换矩阵的组成方法及运算基本运算公式也可分别单独列出如公式图2-6、2-7式中所示:(2-6)(2-7)上式中,(x0,y0)分别表示变换原的图像坐标,其中(x1,y1)分别表示变换后的图像坐标,W分别为表示像素宽度。本部分研究主要利用基于OpenCV的flip函数来实现原图像的水平镜像变换。经过水平镜像变换处理后形成的草莓果实图像如左图第2.9页所示:图2.9数据扩充—水平镜像变换（4）缩放变换本方向研究是利用基于OpenCV的resize函数来实现原图像的缩放与变换。将草莓和果实的图像分辨率可分别缩放调整至128位像素×128位像素、256位像素×256位像素、512位像素×512像素。2.4草莓果实图像数据库的建立通过总结了对以上这几点最简单直接地进行阐述,在系统地完成包括了对大量的来自于全国草莓果树试验及种植基地数据库的果实图像信息进行采集与分析整理以及果实图像进行采集后预处理工作的各项操作技术步骤等后,对数据库所有通过采集技术获得信息的全国各类优质草莓果实图像数据均能够进行实时自动的存档与管理存储和信息自动分类,实现了中国优质草莓果实图像数据库信息存储管理自动化系统平台的初步成功地建立。数据库模型中的主要样本信息包含涵盖了草莓白粉病危害果实特征图像及草莓健康果实病害特征图像数据两大数据类,并还可以直接依据平移变换、旋转变换、水平镜像变换、缩放垂直镜像变换等各种特征数据的增强及变换等方式来自动扩充样本图像数量至约为57276万幅,大幅度上地增加了草莓病害特征数据多样性,提升到了数据库模型中的识别结果的分析准确率。本次研究项目的其他所有的研究实验研究工作虽然都没有可能全部只去集中于针对草莓果实白粉病,但是在这次的研究与实验的工作过程中建所立起来的草莓果实病害数据库也正好可以被用来作为给那些对未来开展专门的研究进行此类植物问题相关的研究感兴趣的中国学者们建立的另一个相对开放的研究数据源。此外,若将来要获得能比较迅速准确地快速地识别已鉴定分析出来的优质草莓果实表面上还有其他种类的草莓病害种类,也可能将获得可以通过直接添加在其他果实种类表面上的草莓病害图像数据。通过进一步利用这个初步实验和结果可建立较为完整准确的优质草莓果实病害图像数据库,为我们将来研究实现高效优质的草莓果实无公害工厂化高效栽培及其生产运行模式等提供了一个比较可行且高效准确的科学数据基础。2.5本章小结本报告章框下我们首先详细系统深入地详细提出与论述分析了草莓果实白粉病图像数据库的一些相关基本理论概念,其次详细系统地表明和讨论分析了基于本项技术研究的图像数据集的基本获取方法渠道及草莓果实图像数据库模型体系的几个基本的建立,再接着分别系统详细系统地论述了分析探讨了草莓果实图像信息获取方法的两种最主要的预处理的方式。一是采用目标区分割提取作为预处理的方式,首先我们要首先采用一种基于HSV的颜色空间技术来对目标区原图像区域信息进行一个高阈值的分割与提取预处理;而后我们再分别依次来根据这个阈值和分割后的预处理结果分别进行遍历目标像素点和标记目标区域图像信息;最后是通过选择将该果实图像目标区域数据作为GrabCut算法模型中的框选对象数据来实现完成了对该草莓果实图像数据集的图像目标域的提取。二则是通过利用图像数据集的扩充训练等方式,对该草莓果实图像样本数据集进行了平移、旋转、镜像变换及缩放变换等以完成扩充与训练该图像数据集。最后是简述地讨论介绍了该草莓果实图像数据库模型的一些初步概念建立。第三章基于迁移学习的病害识别模型研究第三章基于迁移学习的病害识别模型研究3.1模型设计为了显著缩短模型的训练时间，提高模型的自识别和准确性，设计中选择了4个深度训练神经网络模型(vgg-16、resnet-50、concept-v3和densenet-121)。采用参数迁移的训练方法，我们可以在Imagenet大数据存储平台的基础上进行多次深入的训练，并将模型的训练时间参数传递到草莓白粉病识别模型中。3.1.1模型分析与优选（1）VGG-16模型VG16的模型层包括这16个模型层，它们也应该是vgg-16模型名称的来源。在最基本的结构层次上，VG模型中包含的各种层次模型一般至少采用五个卷积段，每个卷积段至少包含一个或多个连通的卷积层。同时，在每个分段的末端，需要连接另一个最大的池层模型，以帮助减小图像的大小。其中，vgg-16模型从头到尾只有两个维度，大小只有3×3左右，卷积核和3的三维只有2×2左右，结构简单清晰。vggnet模型的另一个核心技术特点是它的主要功能可以直接在网络中的三个测试和训练过程中实现。在这三个测试和训练过程中，其他三个网络的全连通卷积网络层可以直接替代其他三个网络的全连通网络层，这样链完整卷积网络的三个网络获得的图像在测试过程中不会太担心被完整的连接层的宽度有限的三个网络,然后他们可以接收任何网络的图像输入宽度信号或其他两个网络高度信号同时,能够快速测试各种大型图像输入模式的网络。（2）ResNet-50模型残差网络模型的深度学习可以直接帮助解决深度网络计算中的退化问题，这也证明了为什么我们可以直接训练和构建这样一个更宽、更深的网络结构。在RESNET模型中，平均池层可以通过一个步长约为2倍的卷积直接有效地操作，这种全局平均池层操作可以完全替代任何全连通层。两个非常重要的模型的优化控制原理设计中引入RESNET网络模型设计也是,当每个两层网络特性图的尺寸范围翻了一半或更少,功能图的数量只会翻倍,从而有效地保持最低设计网络层模型设计的复杂性。与其他常用的网络模型设计方法相比，RESNET网络层模型设计还在每两层网络模型中增加了短路机制，形成了残差学习。其中resnet-50模型的计算精度趋向于保持较高的精度，其运行裕度范围一般较小。它是目前国内最成熟、最理想、最实用、最可行的残差网络计算和训练模型。（3）Inception-V3模型在inception-v3模型中，最重要的数学和创新点之一是因式分解，它可以将任意对数体积积分解成任意两个非对称卷积之间的级数。最后，模型还可以将×7分解为两个一维卷积(1)×7,7×1)，将3×3分解为两个一维卷积(1)×3,3×1)。根据以上三种方法的主要优点，不仅可以适当加快计算在网络中的收敛速度(剩余的计算能力可以用来深化网络)，还可以进一步大大增加网络的深度，大大降低了网络设计中计算的非线性，有效减少了网络参数的数量，加快了计算网络的收敛速度。（4）DenseNet-121模型Densenet模型设计的技术核心是建立网络不同层之间的连接关系，使网络的每个卷积层输出的特征层数尽可能小(小于100)，它不像许多其他网络系统那样有几百甚至几千个像素那么宽。同时，该计算方法充分利用了特征梯度转移(每层直接连接输入与损耗)，进一步减少了特征梯度转移消失后的冗余问题。该模型通过使用瓶颈层、交换层和小学低接入率，减少了网络信道，减少了参数，有效抑制了拟合过快的现象，大大减少了计算量。依据Keras的中文文档数据显示,以上4种网络模型在大型图像数据集ImageNet上部分数据情况如表3.1所示:表3.14种网络模型在ImageNet上部分数据情况模型尺寸前1名准确度前5名准确度参数深度VGG-16528MB0.7130.90113835754423Resnet-5098MB0.7490.9212563671250Inception-V392MB0.7790.93723851784159DenseNet12133MB0.790.9438062504121从量表结果对比可以看出，前四个图像网络模型的网络深度分布深度依次分布在第23层、第50层、第159层和第121层。在许多大型网络图像数据集系统中，如Imagenet网络模型，一般来说，深度图像识别网络的深度数据通常较高，五种深度图像网络模型的深度识别精度通常需要控制在90%以上。Vgg-16模型网络参数差异最大，resnet-50模型参数和inception-v3模型参数在模型网络参数数量上一般差异不大，densenet-121模型网络参数差异最小。此外，模型的大小基本上与模型参数的数量成正比。3.1.2模型结构设计目前研发团队主要采用四种草莓白粉病识别网络模型。基于参数迁移的迁移学习方法，将四个网络模型的最后一层vgg-16、resnet-50、initial-v3和densenet-121重新初始化(用两个标签的softmax分类器替换原网络中使用的softmax分类器)。其他层可以直接在Imagenet等大型网络图像数据集上使用预先训练好的网络权值参数，然后利用草莓果实图像数据集对网络参数进行微调。3.2结果分析对上述的这类36组实验组合得到的试验及结果数据也应进一步加以计算重新予以绘制表格及加以分析,具体结果数据情况表格式如上图第3.1段所示:图3.1模型测试准确率图3.1显示了四种深度自学习神经网络技术(vgg-16、accept-v3、resnet-50和densenet-121)处理了三种完全不同的图像类型(目标提取、非提取和混合提取)，三种完全不同的图像分辨率范围和图像尺寸范围(128位像素)×128像素，从基本分析图中可以看出，即使在同一网络上对这四种网络模型进行测试，草莓白粉病的识别效果曲线特征设定点网络通常也能较好地反映，但每个模型的识别精度之间可能仍然存在一些甚至很大的差异。感知v3模型不能完全提取两个目标，目标分辨率为128×128，草莓白粉病的正确识别率最低，为73.02%。虽然densenet-121模型可以提取两个目标，但草莓白粉病的最大正确识别率仅为512×512。3.2.1模型选取比较分析本实验旨在探讨基于迁移和学习技术的四种改进深度神经网络技术对草莓白粉病的识别和准确率的综合效果。具体分析见下文第3.2至3.4段。图3.2分辨率为512×512时不同模型测试准确率图3.3分辨率为256×256时不同模型测试准确率图3.4分辨率为128×128时不同模型测试准确率由图3.2至3.4可知(1)即使将目标图像的分辨率提高一定倍数，且目标图像提取方法的精度基本保持不变，densenet-121模型的目标图像识别精度仍远高于前三种模型，resnet-50模型的目标图像识别精度略低于其他4个densenet-121模型。草莓白粉病目标识别准确率的关键是其最高识别率为97.72%。与初始模型和n-v3模型相比，vgg-16模型对草莓白粉病症状早期识别的检测准确率普遍较低。(2)与之前的v3模型相比，vgg-16模型对草莓白粉病特征的识别效果普遍较差，说明浅层神经网络模型对草莓白粉病特征的直接识别效果较差，而且其特征提取的研究能力还不够，更能有效地提取观察到的草莓白粉病特征。有必要继续采用更深入、更丰富、更复杂的神经网络结构方法提取草莓白粉病识别特征。(3)感知v3模型对草莓白粉病的识别和提取效果最差，说明感知结构模型对草莓白粉病的识别和提取效果不是特别强;神经网络模型不适用于草莓白粉病的鉴定和提取。(4)与resnet-50模型相比，实验验证结果也表明densenet-121模型网络对草莓白粉病特征识别与提取具有较好的综合评价效果，结果表明，具有残差结构的网络模型在草莓白粉病特征识别和提取方面是成熟的，具有较好的应用前景。因此，也建议在考虑具体条件和选择草莓白粉病特征提取和识别模型时，首先要仔细考虑如何选择具有残差结构网络的深度神经网络。(5)Densenet-121模型在草莓白粉病特征识别中的应用效果是世界上最好的。实验证明，该模型能够直接有效地将模型中各层或两层特征之间的特征识别连接起来，且特征识别具有可重用和交叉的特点。对促进特征识别和提取方法在未来草莓果实抗病鉴定中的应用和发展具有更全面、更有效的理论作用。在模型参数计算方面，densenet-121模型的模型参数个数明显小于其他三种常用模型，模型尺寸一般仅为33MB左右。综上所述，基于改进迁移模型和深度学习算法的densenet-121模型在草莓白粉病分子识别和预测中具有世界上最好的应用效果。3.2.2目标提取比较分析本实验主要研究了上述三种不同提取分离方法对草莓白粉病鉴定及准确性的综合影响。具体应用如图4.5至图4.7所示。图3.5分辨率为512×512时不同目标提取方式的测试准确率图3.6分辨率为256×256时不同目标提取方式的测试准确率图3.7分辨率为128×128时不同目标提取方式的测试准确率由图3.5至3.7可知：1)当目标图像的分辨率达到一定程度，与所选目标网络模型的分辨率大致相同时，提取目标模型后得到的草莓白粉病图像的识别和准确率更高。其中，densenet-121模型提取在分辨率为512×分辨率的目标图像之和小于512时识别精度最高，达到98.12%。由于没有人工目标提取和处理，草莓白粉病图像检测的识别和检测精度往往低于国内水平。混合提取后的草莓果实图像中白粉病的检测和识别精度在我国普遍属于较高的技术水平。(2)在composition4.5模型中，提取的目标图像在512像素处的分辨率约为512pixel×。可以考虑Resnet-50模型和densenet-121模型。混合图像提取目标方法对草莓白粉病识别结果的准确提取率略低于未使用混合图像提取目标图像分辨率的情况。显然，这种特殊情况可能是由以下两个重要原因造成的:第一，草莓果实图像特征提取过程中存在较多不包含图形的混合网络模型，不需要提取。提取的水果图像信息量小，对特征信息提取没有明显影响，不利于我们对混合网络模型特征提取方法的研究。由于深度混合网络的特征信息提取能力往往强于深度混合网络，因此能否同时提取更多的目标数据对其质量影响不大。(3)图例分析模型，当图像分辨率为256×256像素时，vgg-16模型中多目标混合提取方法的提取精度远低于混合提取方法。除了一些可能的原因外，还可能有以下原因:Vgg-16模型网络的分布层较浅，层数太少，本身对草莓果实特征信息的识别、提取和处理能力较弱，对草莓果实白粉病特征信息的识别和提取的准确性一般较低。(4)特征识别的准确性和分布变化可以解释在野生环境的影响下，草莓果实图像中可能存在过多的冗余信息，对特征识别和提取结果会产生一定的影响。实验数据表明，一般情况下，草莓果实图像背景结构越复杂，白粉病识别的准确率越低。因此，对草莓果实背景图像结构进行多目标提取和分析，可以进一步提高草莓果实图像中白粉病的识别和准确性。3.2.3分辨率大小比较分析本试验研究了三种不同分辨率对草莓白粉病识别精度的重要影响。详细分析图如下图3.8至3.10所示。图3.8目标提