• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測

    2022-03-16 02:38:57牛學(xué)德高丙朋南新元石躍飛
    江蘇農(nóng)業(yè)學(xué)報 2022年1期
    關(guān)鍵詞:葉部番茄準(zhǔn)確率

    牛學(xué)德 高丙朋 南新元 石躍飛

    摘要: 針對傳統(tǒng)的圖像識別方法存在人工提取特征困難、識別耗時長和準(zhǔn)確率低等問題,本研究以感染病害的番茄葉片和健康番茄葉片共10類圖像為研究對象,提出了1種遷移學(xué)習(xí)和DenseNet卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的模型,實現(xiàn)了對番茄葉部病害的準(zhǔn)確分類。首先將所有的圖像數(shù)據(jù)進(jìn)行預(yù)處理修改尺寸,對部分?jǐn)?shù)量不均衡樣本作隨機(jī)變換;然后將DenseNet網(wǎng)絡(luò)從ImageNet數(shù)據(jù)集上學(xué)習(xí)獲得的先驗知識應(yīng)用到番茄病害圖片數(shù)據(jù)集上,進(jìn)而構(gòu)建出基于遷移學(xué)習(xí)的深度卷積網(wǎng)絡(luò),經(jīng)過微調(diào)訓(xùn)練得到番茄葉部病害識別模型。結(jié)果表明,該模型與AlexNet網(wǎng)絡(luò)、VGG網(wǎng)絡(luò)+遷移學(xué)習(xí)和MobileNet網(wǎng)絡(luò)+遷移學(xué)習(xí)3種深度卷積模型相比,識別精度更高,測試準(zhǔn)確率達(dá)到97.76%,實現(xiàn)了對10種番茄葉部圖像的有效分類,為番茄等農(nóng)作物病害的識別技術(shù)以及智慧農(nóng)業(yè)的發(fā)展提供了新的思路與方法。

    關(guān)鍵詞: 圖像識別;番茄;病害;遷移學(xué)習(xí);DenseNet卷積神經(jīng)網(wǎng)絡(luò)

    中圖分類號: TP391.4 文獻(xiàn)標(biāo)識碼: A 文章編號: 1000-4440(2022)01-0129-06

    Abstract: Aiming at the problems of traditional image recognition methods such as difficulty in manually extracting features, long recognition time and low accuracy, ten types of images of healthy tomato leaves and tomato leaves infected with diseases were taken as the research objects, and a model combining transfer learning and DenseNet convolutional neural network was proposed to realize the accurate classification of tomato leaf diseases. Firstly, all image data were preprocessed to modify the size, and some unbalanced samples were randomly transformed. Then, the prior knowledge learned by DenseNet network from ImageNet dataset was applied to tomato disease image dataset, and a deep convolutional network based on transfer learning was constructed. Moreover, the tomato leaf disease identification model was obtained by fine-tuning training. The results showed that the recognition accuracy of this model was higher than that of AlexNet network, VGG network+transfer learning and MobileNet network+transfer learning, and the test accuracy was 97.76%. In short, the model constructed in this study can realize the effective classification of ten types of tomato leaf disease images, and can provide new ideas and methods for the identification technology of tomato and other crop diseases and the development of intelligent agriculture.

    Key words: image recognition;tomato;disease;transfer learning;DenseNet convolutional neural network

    番茄原產(chǎn)自南美洲,在中國南方和北方地區(qū)栽培廣泛,是重要的經(jīng)濟(jì)作物之一[1]。番茄的大多數(shù)病害都由葉部開始發(fā)病,接著蔓延到整個植株,所以能夠及時準(zhǔn)確地識別出葉部的病害種類格外重要。以往通常都是菜農(nóng)憑借自身經(jīng)驗對病害進(jìn)行識別,或者請相關(guān)的技術(shù)人員和農(nóng)業(yè)專家進(jìn)行檢查指導(dǎo)[2]。這類人工方法存在著許多缺陷,工作量大,識別效率低,同時易受視覺疲勞的影響,降低識別的準(zhǔn)確率。

    隨著計算機(jī)的發(fā)展,尤其是大數(shù)據(jù)共享和計算機(jī)硬件設(shè)備性能的提升,將智能識別技術(shù)應(yīng)用到農(nóng)業(yè)生產(chǎn)中是未來智慧農(nóng)業(yè)的發(fā)展趨勢[3-4]。許良鳳等[5]提出了一種對圖像多個單一特征進(jìn)行自適應(yīng)融合的多分類器方法來實現(xiàn)對玉米病害的準(zhǔn)確識別。黃雙萍等[6]提出利用Inception模塊多尺度卷積核對不同特征進(jìn)行提取并融合的方法來實現(xiàn)水稻穗瘟病的精準(zhǔn)檢測。李文勇等[7]提出了一種基于不同顏色空間特征和紋理特征的多姿態(tài)害蟲分類方法。Iqbal等[8]提出了一種基于圖像處理和機(jī)器學(xué)習(xí)的馬鈴薯葉部病害自動識別和分類系統(tǒng)對患病和健康葉片進(jìn)行分類。Mondal等[9]采用皮爾遜相關(guān)系數(shù)技術(shù)來根據(jù)特定類型的葉子圖像設(shè)置關(guān)鍵特征對黃秋葵葉和苦瓜葉進(jìn)行識別。張建華等[10]提出了一種將粗糙集和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對4種棉花病害進(jìn)行識別分類,識別準(zhǔn)確率達(dá)到92.72%。以上病蟲害的分類識別方法中,都需要人為選擇圖像中病害的特征來構(gòu)建分類器,費時費力,分類準(zhǔn)確率不高,并且特征的自學(xué)習(xí)能力較差,不具有普適性。

    在番茄的生長發(fā)育過程中,葉霉病病葉、二斑葉螨病病葉、輪斑病病葉、花葉病病葉以及健康的番茄葉片之間的外觀特征極為相似,容易讓人分辨不清,導(dǎo)致番茄病害識別結(jié)果錯誤。卷積神經(jīng)網(wǎng)絡(luò)作為一種深度學(xué)習(xí)的模型,它能夠經(jīng)過多次卷積計算,對一些肉眼難以提取的特征進(jìn)行學(xué)習(xí)和表達(dá),高質(zhì)量完成各種計算機(jī)視覺任務(wù)[11]。但它十分依賴龐大的已標(biāo)記數(shù)據(jù)庫,現(xiàn)實情況下大規(guī)模數(shù)據(jù)庫的構(gòu)建非常困難,而遷移學(xué)習(xí)能夠解決訓(xùn)練數(shù)據(jù)不足這一難題,將已學(xué)到的模型參數(shù)應(yīng)用到新模型上來加快模型的訓(xùn)練,具有資源充分利用的特點[12]。本研究就是在DenseNet網(wǎng)絡(luò)的基礎(chǔ)上,利用該模型特征復(fù)用的優(yōu)點對番茄葉部病害細(xì)微特征進(jìn)行有效利用,結(jié)合遷移學(xué)習(xí)和微調(diào)的思想,抑制本研究中使用小樣本數(shù)據(jù)易產(chǎn)生過擬合的問題,進(jìn)而構(gòu)建番茄葉部病害癥狀和健康葉片的分類模型,通過對番茄葉部病害癥狀特征的訓(xùn)練以及自學(xué)習(xí),對番茄葉部病害進(jìn)行檢測。

    1 材料與方法

    1.1 數(shù)據(jù)集描述

    本研究所采用的番茄病害葉片圖像數(shù)據(jù)集來自Plant Village工程,此數(shù)據(jù)集包含9類病害葉片圖像和1類健康葉片圖像,對部分?jǐn)?shù)量不均衡樣本進(jìn)行增強(qiáng)和擴(kuò)充后共計18 796張RGB病害圖像樣本。

    1.2 試驗平臺

    本研究的試驗環(huán)境為Windows 64位系統(tǒng),內(nèi)存為2×8 GB,固態(tài)硬盤500 G,機(jī)械硬盤2 TB,搭載AMD Ryzen5 3600處理器,顯卡為NVIDIA GeForce 2 070 s(8 G),軟件環(huán)境包括CUDA 10.2,Anaconda 4.8.4,使用Python語言編程,使用Pytorch框架進(jìn)行模型的搭建及訓(xùn)練。

    1.3 參數(shù)設(shè)置

    試驗采用多個批次(batch)進(jìn)行訓(xùn)練,設(shè)置Batch size為32; Epochs為50;采用的優(yōu)化器為Adam優(yōu)化器,初始學(xué)習(xí)率Learning rate設(shè)置為0.000 1,自動下降參數(shù)step size為10,gamma為0.5;損失函數(shù)采用SoftMax交叉熵?fù)p失函數(shù),函數(shù)定義為:

    L=-nk=1Ci=1tkilgyki(1)

    式中,n為單張圖片的像素;tki為像素點k屬于類別i的概率;yki為分類網(wǎng)絡(luò)將像素點k預(yù)測為類別i的概率。

    1.4 數(shù)據(jù)預(yù)處理

    圖片的原始尺寸是256×256像素,考慮到圖像的尺寸應(yīng)與網(wǎng)絡(luò)的輸入尺寸相符,將圖像的尺寸統(tǒng)一修改為227×227像素,同時還采用了Python腳本語言對部分不均衡樣本進(jìn)行了隨機(jī)翻轉(zhuǎn)、隨機(jī)角度旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)操作。

    1.5 DenseNet模型

    DenseNet模型[13]擺脫了以往的通過加深網(wǎng)絡(luò)層數(shù)或者拓寬網(wǎng)絡(luò)結(jié)構(gòu)來改善網(wǎng)絡(luò)性能的固定思維,對網(wǎng)絡(luò)的特征提取進(jìn)行了改進(jìn),設(shè)計了特征復(fù)用結(jié)構(gòu),增添了旁路設(shè)置,不僅極大程度上對網(wǎng)絡(luò)的參數(shù)量進(jìn)行了縮減,而且對于梯度消失起到了一定的緩解作用,對特征的極致利用達(dá)到了更好的效果[14]。

    1.5.1 密集連接模塊 密集連接網(wǎng)絡(luò)是在殘差網(wǎng)絡(luò)基礎(chǔ)上演變而來的,殘差網(wǎng)絡(luò)的連接方式是每層與其前面的一或兩層通過相加的方法進(jìn)行短路連接,即增加了來自上一層的輸入:

    xl=Hl(xl-1)+xl-1(2)

    與其不同的是,DenseNet采用密集連接機(jī)制,互相連接所有的層,每一層都會和前面的所有層在通道維度上進(jìn)行連接,實現(xiàn)特征重用,即:

    xl=Hl[(x0,x1,…,xl-1)](3)

    其中,xl為第l層輸入,它接受前面所有層的所有卷積特征x0~xl-1;(x0,x1,…,xl-1)為輸入層至l-1層的輸出特征圖進(jìn)行拼接的操作;Hl(*)是非線性轉(zhuǎn)化函數(shù),該函數(shù)是一個包含BN層、ReLU層以及卷積層的組合操作。

    標(biāo)準(zhǔn)卷積模塊和密集連接模塊的結(jié)構(gòu)分別如圖1a和圖1b所示。

    其中,圖1a是一個標(biāo)準(zhǔn)的卷積模塊,1個層的網(wǎng)絡(luò)擁有L個連接。圖1b是密集連接模塊,通過前饋的方式來將層與層緊密相連,1個L層的網(wǎng)絡(luò)有L(L-1)/2個連接,使得前期層的特征能夠被后面的其他層重復(fù)利用[15]。

    1.5.2 Transition模塊 Transition模塊的作用是壓縮模型,2個相同尺寸的特征圖的密集塊之間,在2×2的池化層之前引入一個1×1的卷積層來對尺寸大小進(jìn)行降維處理[16]。DenseNet網(wǎng)絡(luò)中壓縮因子設(shè)置為0.5,則傳遞到下一個密集塊的通道數(shù)就會減少一半,參數(shù)量更少,能夠提高網(wǎng)絡(luò)模型的收斂速度,網(wǎng)絡(luò)的結(jié)構(gòu)如圖2所示。

    1.6 遷移學(xué)習(xí)

    遷移學(xué)習(xí)是指網(wǎng)絡(luò)先在源領(lǐng)域中進(jìn)行學(xué)習(xí),再將學(xué)習(xí)到的先驗知識應(yīng)用到目標(biāo)領(lǐng)域[17](圖3)。遷移學(xué)習(xí)由于其具有獨特的小樣本學(xué)習(xí)優(yōu)勢在諸多領(lǐng)域備受關(guān)注,該方法能夠減少訓(xùn)練深度學(xué)習(xí)模型所需要的數(shù)據(jù)樣本量,降低對硬件計算能力的要求,在圖像分類領(lǐng)域的應(yīng)用十分廣泛,同時能夠?qū)D像數(shù)據(jù)進(jìn)行快速有效的分類,對解決小數(shù)據(jù)集訓(xùn)練容易出現(xiàn)的過擬合問題有很大的幫助[18]。

    本研究所采用的是模型微調(diào)的遷移學(xué)習(xí)方式,充分利用了DenseNet預(yù)訓(xùn)練模型在ImageNet大型公開數(shù)據(jù)集上學(xué)習(xí)獲得的先驗知識,結(jié)合遷移學(xué)習(xí)策略將其應(yīng)用到番茄葉部病害圖像識別問題上,基于DenseNet網(wǎng)絡(luò)的遷移學(xué)習(xí)具體流程如圖4所示。

    DenseNet網(wǎng)絡(luò)是通過包含1.0×106多張圖像的大型數(shù)據(jù)庫ImageNet訓(xùn)練而成的,擁有著大量已經(jīng)訓(xùn)練好的權(quán)重與參數(shù),具備較強(qiáng)的深層特征提取和學(xué)習(xí)能力,尤其是卷積層對圖像的曲線、邊緣、輪廓等部位的特征提取[19]。為了避免繁重的從頭訓(xùn)練任務(wù),減小網(wǎng)絡(luò)訓(xùn)練的時間,提高網(wǎng)絡(luò)模型的訓(xùn)練效率,將訓(xùn)練好的DenseNet網(wǎng)絡(luò)作為本研究的預(yù)訓(xùn)練模型,再結(jié)合遷移學(xué)習(xí)微調(diào)的方法,將其參數(shù)應(yīng)用到本研究模型中,通過預(yù)訓(xùn)練模型的知識優(yōu)化卷積層來解決番茄病害識別問題。

    2 結(jié)果與分析

    2.1 基于改進(jìn)DenseNet網(wǎng)絡(luò)模型的番茄葉片病害分類

    為確定最佳分類準(zhǔn)確性的試驗訓(xùn)練集,設(shè)定最小訓(xùn)練集為圖像樣本數(shù)據(jù)量的10%,按10%的比例增量依次增加至90%[20],每個訓(xùn)練集被訓(xùn)練50個Epoch。圖5分別顯示了9次試驗下不同比例的分類準(zhǔn)確率。

    由圖5可知,在模型的訓(xùn)練階段使用更多的訓(xùn)練數(shù)據(jù)可以提高分類的準(zhǔn)確率,設(shè)置Epoch為50,其中每一個Epoch都被定義為訓(xùn)練集中每個樣本的一個完整的訓(xùn)練周期,選擇限制在50個Epoch是基于經(jīng)驗觀察,即學(xué)習(xí)過程能夠很好地收斂。訓(xùn)練數(shù)據(jù)占比由10%遞增到90%,測試準(zhǔn)確率由90.00%提高到97.76%,呈現(xiàn)出逐步上升趨勢;同時損失率由0.9%下降到0.3%,呈現(xiàn)出下降趨勢,當(dāng)訓(xùn)練集與測試集比例為9∶1時網(wǎng)絡(luò)達(dá)到最優(yōu)的準(zhǔn)確率。

    為了驗證本研究模型的性能,同時使用AlexNet網(wǎng)絡(luò)模型、Vgg16網(wǎng)絡(luò)+遷移學(xué)習(xí)模型、MobileNet網(wǎng)絡(luò)+遷移學(xué)習(xí)模型對番茄病害圖像進(jìn)行識別,測試準(zhǔn)確率如圖6所示。

    由圖6可知,相比較AlextNet網(wǎng)絡(luò)模型而言,結(jié)合使用遷移學(xué)習(xí)的模型訓(xùn)練一開始就有較高的準(zhǔn)確率,并且收斂速度很快,在前5個Epoch就能達(dá)到一個小范圍內(nèi)的穩(wěn)定狀態(tài),原因是它們已經(jīng)有了在大型ImageNet數(shù)據(jù)集上訓(xùn)練好的參數(shù),不需要重復(fù)更新參數(shù)。而AlextNet是從零開始訓(xùn)練,剛開始時準(zhǔn)確率較低,隨著迭代次數(shù)增加準(zhǔn)確率逐漸上升,在Epoch達(dá)到25時曲線呈現(xiàn)收斂狀態(tài),準(zhǔn)確率達(dá)到91.80%;MobileNet+遷移學(xué)習(xí)的輕量級模型訓(xùn)練過程快,參數(shù)量較少,特征提取能力較差,準(zhǔn)確率為91.20%;Vgg16作為一種通用型的分類模型,Vgg16+遷移學(xué)習(xí)模型在細(xì)粒度分類任務(wù)上表現(xiàn)稍差,準(zhǔn)確率為93.10%;由于Densenet自身網(wǎng)絡(luò)結(jié)構(gòu)具有特征復(fù)用的優(yōu)勢,再結(jié)合遷移學(xué)習(xí)微調(diào)策略,相比較其他2種遷移方法而言能夠在番茄葉部病害識別上獲得更好的效果,準(zhǔn)確率達(dá)到97.76%。

    根據(jù)本研究模型的分類結(jié)果計算出混淆矩陣進(jìn)行誤差分析,如圖7所示。

    其中混淆矩陣的橫坐標(biāo)代表預(yù)測類別,縱坐標(biāo)代表真實標(biāo)簽,編號為001的類別1(細(xì)菌性斑點?。嶋H為170個測試樣本,正確分類了165個樣本,其他5個樣本分別被錯誤分類為早疫病、斑枯病、輪斑病,類別1的分類準(zhǔn)確率為97.10%,同理可知,類別2~類別10的分類準(zhǔn)確率分別為98.44%、97.48%、97.84%、97.34%、94.86%、99.43%、97.81%、98.32%、98.98%,其中細(xì)菌性斑點病和斑枯病病癥特征比較相似,容易造成誤分類,總體而言,本研究模型的識別率較高,能夠滿足現(xiàn)實生產(chǎn)中番茄葉部病害檢測的要求。

    2.2 與其他模型分類結(jié)果的對比

    當(dāng)前,在圖像處理方向上對番茄葉部病蟲害檢測識別進(jìn)行的研究方法多種多樣,為了進(jìn)一步對試驗結(jié)果做出客觀評價,特將本研究算法與其他已有的同類型研究的結(jié)果進(jìn)行了對比(表1)。

    其中本研究所使用的數(shù)據(jù)集與文獻(xiàn)[21]、文獻(xiàn)[22]、文獻(xiàn)[23]、文獻(xiàn)[24]中所用模型使用的數(shù)據(jù)集相同,文獻(xiàn)[21]中所用的模型在提升網(wǎng)絡(luò)性能的同時縮短了訓(xùn)練時間,但是模型占用內(nèi)存較大;文獻(xiàn)[22]中所用的模型具有較高的魯棒性,卻仍然存在過擬合;文獻(xiàn)[23]中所用的模型采用圖像分割使模型具有較高的準(zhǔn)確率,但是模型參數(shù)過多,訓(xùn)練周期長;文獻(xiàn)[24]將所用模型應(yīng)用到安卓平臺,然而識別精度較低。本研究模型的識別準(zhǔn)確率較以上文獻(xiàn)所用的模型分別高出2.14個百分點、8.78個百分點、0.54個百分點、5.06個百分點;文獻(xiàn)[25]和文獻(xiàn)[26]中采用的AI Challenger 挑戰(zhàn)賽數(shù)據(jù)集是在Plant Village數(shù)據(jù)集的基礎(chǔ)上衍生而來的,根據(jù)不同的病害程度來劃分種類。其中文獻(xiàn)[25]中所用的模型具有較高的可移植性,對番茄病害分類的準(zhǔn)確率有待提升;文獻(xiàn)[26]中所用的模型具有較高的穩(wěn)定性,但是分類種類較少,準(zhǔn)確率較低。經(jīng)過對比,本研究模型的識別準(zhǔn)確率相對文獻(xiàn)[25]和文獻(xiàn)[26]中所用模型分別提高4.63個百分點和9.56個百分點。因此,本研究提出的番茄病害識別模型具有較高的識別準(zhǔn)確率,該模型具有DenseNet網(wǎng)絡(luò)的復(fù)用特征,使每層信息流達(dá)到最大,對重要特征進(jìn)行多次利用、充分學(xué)習(xí);同時還具備遷移學(xué)習(xí)抑制小樣本數(shù)據(jù)過擬合、減少訓(xùn)練時間成本的優(yōu)勢,通過對比分析充分證明了本研究模型的有效性。

    3 結(jié)語

    本研究提出將卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)相結(jié)合的深度模型應(yīng)用于番茄葉部病害識別上,將已經(jīng)訓(xùn)練成熟的DenseNet模型參數(shù)進(jìn)行遷移和微調(diào),提取出每張圖片的特征在SoftMax分類器中完成分類任務(wù)。結(jié)果表明,本研究提出的模型較AlexNet網(wǎng)絡(luò)以及其他2種網(wǎng)絡(luò)+遷移學(xué)習(xí)模型具有更好的分類性能,準(zhǔn)確率更高且收斂速度更快,能夠?qū)?0種類別的番茄葉部病害準(zhǔn)確分類,基本可以達(dá)到農(nóng)業(yè)生產(chǎn)應(yīng)用的要求。

    參考文獻(xiàn):

    [1] 周 蓉,趙統(tǒng)敏,趙麗萍,等.高光澤番茄育種及果實表面光澤度[J].江蘇農(nóng)業(yè)學(xué)報,2018,34(6):1437-1440.

    [2] 王翔宇,溫皓杰,李鑫星,等.農(nóng)業(yè)主要病害檢測與預(yù)警技術(shù)研究進(jìn)展分析[J].農(nóng)業(yè)機(jī)械學(xué)報,2016,47(9):266-277.

    [3] 孫 紅,李 松,李民贊,等.農(nóng)業(yè)信息成像感知與深度學(xué)習(xí)應(yīng)用研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報,2020,51(5):1-17.

    [4] YANE D.Design of intelligent agriculture management information system based on IoT [C].Shenzhen:IEEE, 2011.

    [5] 許良鳳,徐小兵,胡 敏,等.基于多分類器融合的玉米葉部病害識別[J].農(nóng)業(yè)工程學(xué)報,2015,31(14):194-201,315.

    [6] 黃雙萍,孫 超,齊 龍,等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻穗瘟病檢測方法[J].農(nóng)業(yè)工程學(xué)報,2017,33(20):169-176.

    [7] 李文勇,李 明,陳梅香,等.基于機(jī)器視覺的作物多姿態(tài)害蟲特征提取與分類方法[J].農(nóng)業(yè)工程學(xué)報,2014, 30(14):154-162.

    [8] IQBAL M A, TALUKDER K H. Detection of potato disease using image segmentation and machine learning[C]. Chennai:IEEE, 2020.

    [9] MONDAL D, KOLE D K, ROY K. Gradation of yellow mosaic virus disease of okra and bitter gourd based on entropy based binning and Naive Bayes classifier after identification of leaves[J]. Computers and Electronics in Agriculture, 2017,142:485-493.

    [10]張建華,祁力鈞,冀榮華,等.基于粗糙集和BP神經(jīng)網(wǎng)絡(luò)的棉花病害識別[J].農(nóng)業(yè)工程學(xué)報,2012,28(7):161-167.

    [11]賈少鵬,高紅菊,杭 瀟.基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識別技術(shù)研究進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報,2019,50(S1): 313-317.

    [12]王文朋,毛文濤,何建樑,等.基于深度遷移學(xué)習(xí)的煙霧識別方法[J].計算機(jī)應(yīng)用,2017,37(11):3176-3181,3193.

    [13]HUANG G,LIU Z,MAATEN V D,et al.Densely connected convolutional networks[C]. Honolulu:IEEE, 2017: 2261-2269.

    [14]DONG H,ZHANG L,ZOU B.Densely connected convolutional neural network based polarimetric SAR image classification[C].Yokohama:IEEE,2019.

    [15]齊永鋒,侯璐璐,段友放.基于DenseNet-BC網(wǎng)絡(luò)的皮膚鏡下皮膚損傷分割[J].計算機(jī)工程與科學(xué),2020, 42(6):1060-1067.

    [16]張永鵬,張春梅,白 靜.基于DenseNet-Attention模型的高光譜圖像分類[J].圖學(xué)學(xué)報,2020,41(6):897-904.

    [17]PAN S J,YANG Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010,22(10):1345-1359.

    [18]TIWARI D, ASHISH M, GANGWAR N,et al. Potato leaf diseases detection using deep learning[C]. Madurai:IEEE, 2020.

    [19]張建華,孔繁濤,吳建寨,等.基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識別模型[J].中國農(nóng)業(yè)大學(xué)學(xué)報,2018, 23(11):161-171.

    [20]OPPENHEIM D, SHANI G, ERLICH O, et al. Using deep learning for image-based potato tuber disease detection[J]. Hytopathology,2019, 109(6):1083-1087.

    [21]王艷玲,張宏立,劉慶飛,等.基于遷移學(xué)習(xí)的番茄葉片病害圖像分類[J].中國農(nóng)業(yè)大學(xué)學(xué)報,2019,24(6):124-130.

    [22]柴 帥,李壯舉.基于遷移學(xué)習(xí)的番茄病蟲害檢測[J].計算機(jī)工程與設(shè)計,2019,40(6):1701-1705.

    [23]DURMUS H, GUNES E O, KLRCL M. Disease detection on the leaves of the tomato plants by using deep learning[C]. Fairfax:IEEE, 2017: 1-5.

    [24]郭小清,范濤杰,舒 欣.基于改進(jìn)Multi-Scale AlexNet的番茄葉部病害圖像識別[J].農(nóng)業(yè)工程學(xué)報,2019, 35(13):162-169.

    [25]劉鵬鵬.基于深度學(xué)習(xí)的番茄葉面型病蟲害識別研究[D].南昌:南昌大學(xué),2020.

    [26]胡志偉,楊 華,黃濟(jì)民,等.基于注意力殘差機(jī)制的細(xì)粒度番茄病害識別[J].華南農(nóng)業(yè)大學(xué)學(xué)報,2019,40(6):124-132.

    (責(zé)任編輯:陳海霞)

    1487500783320

    猜你喜歡
    葉部番茄準(zhǔn)確率
    面向移動端的蘋果葉部病蟲害輕量級識別模型
    基于YOLOv3的多類煙草葉部病害檢測研究
    番茄炒蛋
    秋茬番茄“疑難雜癥”如何挽救
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報參考產(chǎn)品質(zhì)量檢驗分析
    番茄果實“起棱”怎么辦
    基于顏色差異性的植物葉片病害圖像分割方法
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗證法
    国产女主播在线喷水免费视频网站 | 日本在线视频免费播放| 久久人人爽人人爽人人片va| 一级黄色大片毛片| 亚洲人成网站在线播| 嫩草影院新地址| 欧美一区二区精品小视频在线| 欧美成人免费av一区二区三区| 国产精品日韩av在线免费观看| 免费av不卡在线播放| 中文字幕精品亚洲无线码一区| 一级毛片久久久久久久久女| 一级毛片电影观看 | 毛片一级片免费看久久久久| 波多野结衣高清无吗| 看黄色毛片网站| 日本撒尿小便嘘嘘汇集6| 久久久精品94久久精品| 国产老妇女一区| 国产 一区 欧美 日韩| av卡一久久| 最好的美女福利视频网| 亚洲欧美精品自产自拍| 亚洲成人久久性| 大又大粗又爽又黄少妇毛片口| 99久国产av精品| 亚洲天堂国产精品一区在线| 国产精品电影一区二区三区| 国产成人精品一,二区 | 欧美色欧美亚洲另类二区| 菩萨蛮人人尽说江南好唐韦庄 | 在线免费十八禁| 在线观看美女被高潮喷水网站| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产黄a三级三级三级人| 欧美精品一区二区大全| 伦理电影大哥的女人| 久久精品国产鲁丝片午夜精品| 久久精品夜色国产| 一级毛片我不卡| 久久久精品欧美日韩精品| 国产成人91sexporn| 国产乱人视频| 黄片无遮挡物在线观看| 久久久久久久久久黄片| 久久精品国产亚洲av香蕉五月| 日本黄大片高清| 看黄色毛片网站| 成熟少妇高潮喷水视频| videossex国产| 中文精品一卡2卡3卡4更新| 国产av在哪里看| 亚洲色图av天堂| av在线老鸭窝| 熟女人妻精品中文字幕| 中国美女看黄片| 久久综合国产亚洲精品| 国产极品天堂在线| 精品人妻一区二区三区麻豆| 欧美日韩在线观看h| 一级黄色大片毛片| 久久草成人影院| 国产片特级美女逼逼视频| 狠狠狠狠99中文字幕| 色吧在线观看| 国产精品综合久久久久久久免费| 熟妇人妻久久中文字幕3abv| 真实男女啪啪啪动态图| 色播亚洲综合网| 国产精品爽爽va在线观看网站| 国产成人91sexporn| 精品一区二区三区人妻视频| 日本熟妇午夜| 国内精品久久久久精免费| 晚上一个人看的免费电影| 亚洲人与动物交配视频| 国产成人a∨麻豆精品| 亚洲精品国产成人久久av| 丰满人妻一区二区三区视频av| 2021天堂中文幕一二区在线观| 永久网站在线| 国语自产精品视频在线第100页| 91精品一卡2卡3卡4卡| 免费观看精品视频网站| 精品久久久久久成人av| 国产精品一二三区在线看| 春色校园在线视频观看| 男女下面进入的视频免费午夜| 精品不卡国产一区二区三区| 亚洲图色成人| 啦啦啦韩国在线观看视频| 成人欧美大片| 美女被艹到高潮喷水动态| 尤物成人国产欧美一区二区三区| 亚洲国产日韩欧美精品在线观看| 熟妇人妻久久中文字幕3abv| 联通29元200g的流量卡| 久久精品国产99精品国产亚洲性色| 国产亚洲精品久久久com| 听说在线观看完整版免费高清| 一区福利在线观看| 国产av在哪里看| 久久精品国产亚洲av香蕉五月| 欧美性猛交黑人性爽| 69av精品久久久久久| 日日干狠狠操夜夜爽| 亚洲精品亚洲一区二区| 一个人看的www免费观看视频| 久久久久久久久中文| 天堂影院成人在线观看| 国产中年淑女户外野战色| 一区二区三区免费毛片| 欧美性感艳星| 3wmmmm亚洲av在线观看| 成年女人看的毛片在线观看| 91精品一卡2卡3卡4卡| 中文亚洲av片在线观看爽| 黄片wwwwww| 五月伊人婷婷丁香| 22中文网久久字幕| 白带黄色成豆腐渣| 青春草视频在线免费观看| 性欧美人与动物交配| 一本一本综合久久| 午夜精品在线福利| 在线观看午夜福利视频| 欧美精品国产亚洲| 亚洲精品日韩av片在线观看| 成年女人看的毛片在线观看| 在线观看66精品国产| 亚洲欧美日韩东京热| 看片在线看免费视频| 真实男女啪啪啪动态图| 国产单亲对白刺激| 国产美女午夜福利| 国产成人aa在线观看| 久久久色成人| 亚洲四区av| 亚洲欧美日韩卡通动漫| 狠狠狠狠99中文字幕| 国产精品精品国产色婷婷| 国产一区二区三区在线臀色熟女| 一边亲一边摸免费视频| 美女黄网站色视频| 日韩制服骚丝袜av| 欧美日本亚洲视频在线播放| 亚洲精品久久久久久婷婷小说 | 一夜夜www| 爱豆传媒免费全集在线观看| 国产精品国产三级国产av玫瑰| av免费在线看不卡| 色综合亚洲欧美另类图片| 男人舔女人下体高潮全视频| 欧美bdsm另类| 亚洲精品乱码久久久久久按摩| 亚洲成人久久性| 不卡一级毛片| 亚洲电影在线观看av| 欧美三级亚洲精品| 中文字幕人妻熟人妻熟丝袜美| 久久韩国三级中文字幕| 欧美性猛交黑人性爽| 国产一区二区激情短视频| 成年女人永久免费观看视频| 嫩草影院精品99| 中国国产av一级| 亚洲av第一区精品v没综合| 一个人免费在线观看电影| 日本爱情动作片www.在线观看| 丝袜美腿在线中文| 丝袜美腿在线中文| 午夜精品在线福利| 一级黄片播放器| 免费看av在线观看网站| 精品日产1卡2卡| 级片在线观看| 美女被艹到高潮喷水动态| 欧美变态另类bdsm刘玥| 国产伦在线观看视频一区| 国产精品.久久久| 成年女人看的毛片在线观看| 日韩人妻高清精品专区| 日韩欧美精品v在线| 九九久久精品国产亚洲av麻豆| 久久中文看片网| 精品久久久久久久久av| 精品人妻熟女av久视频| 黄色欧美视频在线观看| 永久网站在线| 国内揄拍国产精品人妻在线| 99久久精品热视频| 爱豆传媒免费全集在线观看| 久久久精品欧美日韩精品| 国产视频首页在线观看| 精品免费久久久久久久清纯| 日韩 亚洲 欧美在线| 欧美另类亚洲清纯唯美| 直男gayav资源| 欧洲精品卡2卡3卡4卡5卡区| 国产在线精品亚洲第一网站| 国产在线男女| 特级一级黄色大片| 人人妻人人澡人人爽人人夜夜 | 人人妻人人澡欧美一区二区| 久久婷婷人人爽人人干人人爱| 精品午夜福利在线看| 成年女人永久免费观看视频| 免费人成视频x8x8入口观看| 给我免费播放毛片高清在线观看| 亚洲成a人片在线一区二区| 校园春色视频在线观看| 免费av观看视频| ponron亚洲| 欧美性猛交黑人性爽| 国产成人影院久久av| 国产中年淑女户外野战色| 成人鲁丝片一二三区免费| 精品人妻一区二区三区麻豆| 99久久精品一区二区三区| 天天一区二区日本电影三级| 少妇高潮的动态图| 熟女电影av网| 国产午夜福利久久久久久| 国产三级中文精品| 欧美bdsm另类| 97超视频在线观看视频| 欧美一区二区国产精品久久精品| 国内精品宾馆在线| 午夜久久久久精精品| 熟女电影av网| 日韩欧美一区二区三区在线观看| 久久精品影院6| 91久久精品国产一区二区成人| 麻豆国产av国片精品| 成熟少妇高潮喷水视频| 国产亚洲精品av在线| 国产高清不卡午夜福利| 日韩av不卡免费在线播放| 亚洲真实伦在线观看| 婷婷六月久久综合丁香| 国产精品人妻久久久影院| 亚洲欧美日韩卡通动漫| 熟女人妻精品中文字幕| 极品教师在线视频| 亚洲人成网站高清观看| 伦精品一区二区三区| 你懂的网址亚洲精品在线观看 | 成人亚洲欧美一区二区av| 亚洲欧美精品自产自拍| 少妇人妻一区二区三区视频| 一边亲一边摸免费视频| 91在线精品国自产拍蜜月| 日韩 亚洲 欧美在线| 尤物成人国产欧美一区二区三区| 成人一区二区视频在线观看| 不卡视频在线观看欧美| 成人毛片60女人毛片免费| av天堂在线播放| 久久久久久久久大av| 美女xxoo啪啪120秒动态图| 午夜免费激情av| 亚洲在线观看片| 欧美+亚洲+日韩+国产| 亚洲自偷自拍三级| 免费观看人在逋| 精品一区二区三区视频在线| 精品99又大又爽又粗少妇毛片| 精品人妻偷拍中文字幕| 国产一区二区三区av在线 | 亚洲一区高清亚洲精品| 亚洲天堂国产精品一区在线| 久久久久国产网址| 亚洲精品亚洲一区二区| 国产精品国产三级国产av玫瑰| a级毛片a级免费在线| 国内精品宾馆在线| 内地一区二区视频在线| 国产伦理片在线播放av一区 | 精品人妻视频免费看| 久久人人爽人人爽人人片va| 最近中文字幕高清免费大全6| 欧美色视频一区免费| 成年av动漫网址| 国产伦在线观看视频一区| 成年女人看的毛片在线观看| 亚洲av中文av极速乱| 色综合站精品国产| 性欧美人与动物交配| 在线观看66精品国产| 国产男人的电影天堂91| 成人鲁丝片一二三区免费| 在线天堂最新版资源| 美女xxoo啪啪120秒动态图| 尤物成人国产欧美一区二区三区| 国产爱豆传媒在线观看| 观看美女的网站| 精品久久久久久成人av| 一区二区三区高清视频在线| 日韩av在线大香蕉| 国产色爽女视频免费观看| 亚洲精品日韩在线中文字幕 | 老师上课跳d突然被开到最大视频| 看片在线看免费视频| 婷婷精品国产亚洲av| 人人妻人人澡欧美一区二区| 免费电影在线观看免费观看| 一区二区三区四区激情视频 | 女同久久另类99精品国产91| 深夜a级毛片| 淫秽高清视频在线观看| 99久国产av精品国产电影| 蜜桃久久精品国产亚洲av| 久久久久免费精品人妻一区二区| 人妻夜夜爽99麻豆av| 久久99热这里只有精品18| 亚洲七黄色美女视频| 日本撒尿小便嘘嘘汇集6| 欧美一级a爱片免费观看看| 色综合色国产| av国产免费在线观看| 淫秽高清视频在线观看| 国产亚洲精品久久久com| 精品日产1卡2卡| 欧美+日韩+精品| 最好的美女福利视频网| 国国产精品蜜臀av免费| 一本一本综合久久| 别揉我奶头 嗯啊视频| 黄色配什么色好看| 国产极品天堂在线| 国产精品免费一区二区三区在线| 亚洲五月天丁香| 亚洲精品456在线播放app| a级一级毛片免费在线观看| 欧美三级亚洲精品| 日韩制服骚丝袜av| 国产黄片视频在线免费观看| 久久韩国三级中文字幕| 欧美xxxx黑人xx丫x性爽| 搡女人真爽免费视频火全软件| 国产伦在线观看视频一区| 欧美一区二区亚洲| 成人高潮视频无遮挡免费网站| 在线观看免费视频日本深夜| 精华霜和精华液先用哪个| 美女xxoo啪啪120秒动态图| 久久精品久久久久久久性| 欧美人与善性xxx| 成人三级黄色视频| 日本爱情动作片www.在线观看| 国产单亲对白刺激| 国产免费男女视频| 少妇被粗大猛烈的视频| 亚洲欧美日韩卡通动漫| 国产91av在线免费观看| 免费无遮挡裸体视频| 久久久久久久午夜电影| 亚洲不卡免费看| 三级国产精品欧美在线观看| 国产一区二区亚洲精品在线观看| 晚上一个人看的免费电影| 欧美精品一区二区大全| 九九热线精品视视频播放| 啦啦啦啦在线视频资源| 伊人久久精品亚洲午夜| 久久精品久久久久久噜噜老黄 | 久久人人爽人人爽人人片va| 一区二区三区免费毛片| 国产色爽女视频免费观看| 1000部很黄的大片| 五月玫瑰六月丁香| 99在线视频只有这里精品首页| 免费一级毛片在线播放高清视频| 又粗又爽又猛毛片免费看| a级毛片a级免费在线| 国产v大片淫在线免费观看| 亚洲色图av天堂| 丰满的人妻完整版| 亚洲av免费高清在线观看| 看黄色毛片网站| 爱豆传媒免费全集在线观看| 精品日产1卡2卡| 此物有八面人人有两片| 99国产精品一区二区蜜桃av| 直男gayav资源| 成人毛片60女人毛片免费| 综合色av麻豆| 99久国产av精品| 女同久久另类99精品国产91| 亚洲自偷自拍三级| 久久99热6这里只有精品| 波多野结衣高清无吗| 99在线人妻在线中文字幕| 国内久久婷婷六月综合欲色啪| 亚洲中文字幕一区二区三区有码在线看| 国产男人的电影天堂91| 男人的好看免费观看在线视频| 久久久a久久爽久久v久久| 我的老师免费观看完整版| 国产精品日韩av在线免费观看| 国产黄色视频一区二区在线观看 | 老司机福利观看| 一个人看视频在线观看www免费| 亚洲精品日韩av片在线观看| 亚洲国产精品成人综合色| 日本一本二区三区精品| 日韩一本色道免费dvd| 国产精品女同一区二区软件| 亚洲精品456在线播放app| 国产精品.久久久| 男女做爰动态图高潮gif福利片| 免费搜索国产男女视频| 国内久久婷婷六月综合欲色啪| 高清午夜精品一区二区三区 | 久久久久久久久久久丰满| 欧美日韩一区二区视频在线观看视频在线 | 国产精品一区www在线观看| 可以在线观看毛片的网站| 波多野结衣高清无吗| 超碰av人人做人人爽久久| 欧美另类亚洲清纯唯美| 又粗又爽又猛毛片免费看| 午夜免费激情av| 人妻制服诱惑在线中文字幕| 久久久久久大精品| 啦啦啦观看免费观看视频高清| 亚洲乱码一区二区免费版| 99在线人妻在线中文字幕| 精品人妻熟女av久视频| 免费av观看视频| 看非洲黑人一级黄片| 日韩高清综合在线| 99久久精品一区二区三区| 欧美日本亚洲视频在线播放| 久久6这里有精品| 啦啦啦观看免费观看视频高清| 人人妻人人澡欧美一区二区| 午夜福利在线观看吧| 亚洲丝袜综合中文字幕| 亚洲自拍偷在线| 只有这里有精品99| 久久精品影院6| 久久精品国产99精品国产亚洲性色| www.av在线官网国产| 日韩制服骚丝袜av| av女优亚洲男人天堂| 久久久久久久久中文| 日日撸夜夜添| 少妇人妻精品综合一区二区 | av天堂在线播放| 午夜福利在线观看吧| 亚洲精华国产精华液的使用体验 | 久久99热6这里只有精品| 美女脱内裤让男人舔精品视频 | 国产精品一区www在线观看| 99精品在免费线老司机午夜| 久久99蜜桃精品久久| 中文字幕精品亚洲无线码一区| 我的老师免费观看完整版| 亚洲七黄色美女视频| 欧美高清性xxxxhd video| 人妻夜夜爽99麻豆av| 国产黄色小视频在线观看| 中文在线观看免费www的网站| 男女啪啪激烈高潮av片| 69av精品久久久久久| 亚洲人成网站高清观看| 欧美+亚洲+日韩+国产| 一个人观看的视频www高清免费观看| 国产色婷婷99| 国产精品无大码| 日本一二三区视频观看| 日韩一区二区视频免费看| 男人舔女人下体高潮全视频| 精品人妻熟女av久视频| 亚洲国产精品合色在线| 有码 亚洲区| 亚洲国产精品久久男人天堂| 亚洲精品日韩在线中文字幕 | 中国美白少妇内射xxxbb| 丰满人妻一区二区三区视频av| 日本撒尿小便嘘嘘汇集6| 国产熟女欧美一区二区| 久久综合国产亚洲精品| 国产成人精品一,二区 | 99热6这里只有精品| 婷婷精品国产亚洲av| 久久精品综合一区二区三区| 中文字幕免费在线视频6| 一进一出抽搐gif免费好疼| 亚洲aⅴ乱码一区二区在线播放| 99热精品在线国产| 热99在线观看视频| 麻豆乱淫一区二区| 亚洲中文字幕日韩| 综合色丁香网| 可以在线观看毛片的网站| 久久这里只有精品中国| 久久精品国产亚洲网站| 国产精品久久久久久久电影| or卡值多少钱| 久久久a久久爽久久v久久| 日韩欧美一区二区三区在线观看| 性欧美人与动物交配| 国产高潮美女av| 午夜福利视频1000在线观看| 九草在线视频观看| 噜噜噜噜噜久久久久久91| 最近最新中文字幕大全电影3| 精华霜和精华液先用哪个| 午夜激情福利司机影院| 永久网站在线| 性插视频无遮挡在线免费观看| 伦精品一区二区三区| 久久草成人影院| 国产乱人视频| 久久午夜亚洲精品久久| 免费无遮挡裸体视频| 免费大片18禁| 中文字幕av在线有码专区| 国产高清视频在线观看网站| 亚洲不卡免费看| 国产真实伦视频高清在线观看| av女优亚洲男人天堂| 精品熟女少妇av免费看| 中国美女看黄片| 伊人久久精品亚洲午夜| 激情 狠狠 欧美| 国产av麻豆久久久久久久| 在线免费观看的www视频| 午夜精品国产一区二区电影 | 日韩成人伦理影院| 一边亲一边摸免费视频| 老师上课跳d突然被开到最大视频| av免费观看日本| 久久99热6这里只有精品| 成人毛片60女人毛片免费| 欧美xxxx黑人xx丫x性爽| 伊人久久精品亚洲午夜| 国产一区二区三区在线臀色熟女| 天堂网av新在线| 一区福利在线观看| 国产淫片久久久久久久久| 国产精品一区二区在线观看99 | 一级毛片我不卡| 99久久九九国产精品国产免费| 国产精品爽爽va在线观看网站| 又黄又爽又刺激的免费视频.| 男女下面进入的视频免费午夜| 免费看av在线观看网站| 黄片无遮挡物在线观看| 日本撒尿小便嘘嘘汇集6| 村上凉子中文字幕在线| 欧美丝袜亚洲另类| 在线天堂最新版资源| 亚洲aⅴ乱码一区二区在线播放| 麻豆成人av视频| 一级二级三级毛片免费看| 久久久欧美国产精品| 男女边吃奶边做爰视频| 欧美潮喷喷水| 亚洲内射少妇av| 99热精品在线国产| 亚洲精品粉嫩美女一区| 可以在线观看毛片的网站| 亚洲内射少妇av| 国产激情偷乱视频一区二区| 九色成人免费人妻av| 国产伦精品一区二区三区四那| 哪里可以看免费的av片| 亚洲成av人片在线播放无| 一个人免费在线观看电影| 日韩在线高清观看一区二区三区| 69人妻影院| 一个人看的www免费观看视频| 日本欧美国产在线视频| 麻豆久久精品国产亚洲av| 久久久国产成人免费| 欧美一区二区精品小视频在线| 人妻少妇偷人精品九色| 大型黄色视频在线免费观看| 在线免费十八禁| 男的添女的下面高潮视频| 18禁在线无遮挡免费观看视频| 亚洲最大成人中文| 哪里可以看免费的av片| 日韩一区二区视频免费看| 久久精品综合一区二区三区| 在线国产一区二区在线| 我要看日韩黄色一级片| 在线播放无遮挡| 日韩成人av中文字幕在线观看| 久久久久免费精品人妻一区二区| 亚洲av一区综合| 黄色配什么色好看| 久久韩国三级中文字幕| 在线a可以看的网站| 男插女下体视频免费在线播放| 欧美日韩一区二区视频在线观看视频在线 | 欧美区成人在线视频| 国产亚洲精品久久久com| 1000部很黄的大片| 简卡轻食公司| 神马国产精品三级电影在线观看| 麻豆乱淫一区二区| 哪个播放器可以免费观看大片| 婷婷色av中文字幕| 五月伊人婷婷丁香| 精品人妻熟女av久视频| 日产精品乱码卡一卡2卡三| 极品教师在线视频| 久久亚洲精品不卡| 十八禁国产超污无遮挡网站| 麻豆国产97在线/欧美| 尾随美女入室|