• <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
    一边亲一边摸免费视频| 直男gayav资源| 在线 av 中文字幕| 欧美成人一区二区免费高清观看| 舔av片在线| 国产精品一区二区在线不卡| 亚洲内射少妇av| 美女国产视频在线观看| 精品国产乱码久久久久久小说| 成人亚洲欧美一区二区av| 亚洲在久久综合| 欧美日本视频| 18+在线观看网站| 美女中出高潮动态图| 男人添女人高潮全过程视频| 成人美女网站在线观看视频| 亚洲成人一二三区av| 美女高潮的动态| 久久精品国产亚洲网站| 成年人午夜在线观看视频| 一本一本综合久久| 毛片女人毛片| 嫩草影院入口| 亚洲综合精品二区| 国模一区二区三区四区视频| 午夜福利影视在线免费观看| 插阴视频在线观看视频| 国产精品久久久久久精品电影小说 | 欧美日韩一区二区视频在线观看视频在线| 国产熟女欧美一区二区| 欧美日韩一区二区视频在线观看视频在线| 波野结衣二区三区在线| 欧美老熟妇乱子伦牲交| 小蜜桃在线观看免费完整版高清| 小蜜桃在线观看免费完整版高清| 成年女人在线观看亚洲视频| 99久久精品一区二区三区| 精品一品国产午夜福利视频| 国产av一区二区精品久久 | 精品国产一区二区三区久久久樱花 | 国产淫语在线视频| 少妇精品久久久久久久| 亚洲精品一区蜜桃| 下体分泌物呈黄色| 亚洲欧美清纯卡通| 成人无遮挡网站| 国产在视频线精品| 能在线免费看毛片的网站| 久久午夜福利片| 午夜福利影视在线免费观看| 51国产日韩欧美| 麻豆成人午夜福利视频| 老司机影院成人| 久久久久精品性色| 熟女人妻精品中文字幕| 国产精品嫩草影院av在线观看| 亚洲va在线va天堂va国产| 免费观看性生交大片5| 美女福利国产在线 | 国产亚洲一区二区精品| 麻豆精品久久久久久蜜桃| 简卡轻食公司| 久久99热6这里只有精品| 国产 一区 欧美 日韩| 亚洲图色成人| tube8黄色片| 国产精品麻豆人妻色哟哟久久| tube8黄色片| 在线观看免费视频网站a站| 亚洲三级黄色毛片| 久久久久久久亚洲中文字幕| 免费少妇av软件| 亚洲精品一二三| av在线老鸭窝| 国产91av在线免费观看| 99热这里只有精品一区| 久久久久久久亚洲中文字幕| 80岁老熟妇乱子伦牲交| av专区在线播放| 欧美变态另类bdsm刘玥| 国产精品人妻久久久久久| 内射极品少妇av片p| 一级毛片 在线播放| 久久精品人妻少妇| 两个人的视频大全免费| 在线看a的网站| 国产爱豆传媒在线观看| 日本午夜av视频| 色婷婷av一区二区三区视频| 伦理电影免费视频| 女人十人毛片免费观看3o分钟| 成人影院久久| 精品少妇久久久久久888优播| 大香蕉97超碰在线| av女优亚洲男人天堂| 最近中文字幕高清免费大全6| 我的老师免费观看完整版| 街头女战士在线观看网站| 一级毛片电影观看| 老司机影院成人| 亚洲三级黄色毛片| 亚洲激情五月婷婷啪啪| 我要看日韩黄色一级片| 99热6这里只有精品| 久久亚洲国产成人精品v| 中文欧美无线码| 亚洲aⅴ乱码一区二区在线播放| av线在线观看网站| 欧美日韩综合久久久久久| 日韩大片免费观看网站| 国内精品宾馆在线| 亚洲丝袜综合中文字幕| 国产乱人视频| 美女xxoo啪啪120秒动态图| 亚洲精品中文字幕在线视频 | 18+在线观看网站| 黄片无遮挡物在线观看| 精品少妇久久久久久888优播| 国产无遮挡羞羞视频在线观看| 美女中出高潮动态图| 18禁动态无遮挡网站| 美女内射精品一级片tv| 国产精品99久久99久久久不卡 | 女的被弄到高潮叫床怎么办| 在线观看一区二区三区激情| kizo精华| 欧美日韩一区二区视频在线观看视频在线| av在线观看视频网站免费| 99久久精品热视频| 天堂8中文在线网| 国产精品嫩草影院av在线观看| 久久久精品免费免费高清| 欧美精品一区二区免费开放| 亚洲欧美日韩卡通动漫| 中文在线观看免费www的网站| 午夜福利网站1000一区二区三区| 一级毛片电影观看| 一级av片app| 性高湖久久久久久久久免费观看| 日日撸夜夜添| 亚洲精品日本国产第一区| 80岁老熟妇乱子伦牲交| 一区在线观看完整版| 亚洲国产最新在线播放| 国产淫语在线视频| 亚洲欧美精品专区久久| 高清不卡的av网站| 久久久久久久亚洲中文字幕| 男女边摸边吃奶| 视频中文字幕在线观看| 老熟女久久久| 两个人的视频大全免费| 欧美一区二区亚洲| 久久久久久久国产电影| 高清午夜精品一区二区三区| 日韩av免费高清视频| 啦啦啦啦在线视频资源| .国产精品久久| av又黄又爽大尺度在线免费看| 亚洲欧美一区二区三区国产| 高清视频免费观看一区二区| 又大又黄又爽视频免费| 美女cb高潮喷水在线观看| 日韩一区二区视频免费看| av播播在线观看一区| 午夜福利视频精品| 国产日韩欧美在线精品| 午夜日本视频在线| 免费观看无遮挡的男女| 国产免费又黄又爽又色| 国产黄色免费在线视频| 91精品国产国语对白视频| 国产色婷婷99| 亚洲美女黄色视频免费看| 国产成人免费无遮挡视频| 丝袜喷水一区| 亚洲一区二区三区欧美精品| 亚洲国产精品一区三区| 国产片特级美女逼逼视频| tube8黄色片| 在线天堂最新版资源| av免费在线看不卡| 性色avwww在线观看| 久久这里有精品视频免费| 精品人妻视频免费看| 亚洲精品国产av成人精品| 国产又色又爽无遮挡免| 草草在线视频免费看| 日本欧美国产在线视频| 日韩在线高清观看一区二区三区| 99热国产这里只有精品6| 午夜福利视频精品| 秋霞伦理黄片| 最黄视频免费看| 成年人午夜在线观看视频| 国产伦在线观看视频一区| 精品久久久久久电影网| 国产精品99久久99久久久不卡 | 久久久欧美国产精品| 亚洲欧美成人综合另类久久久| 在线 av 中文字幕| 久久久久国产网址| 久久久国产一区二区| 国产精品久久久久久精品古装| 欧美日韩综合久久久久久| 久久ye,这里只有精品| 高清毛片免费看| 两个人的视频大全免费| 一级片'在线观看视频| 建设人人有责人人尽责人人享有的 | 国产精品无大码| 王馨瑶露胸无遮挡在线观看| 乱码一卡2卡4卡精品| 国产成人精品久久久久久| 高清av免费在线| 亚洲欧美一区二区三区国产| 色5月婷婷丁香| 汤姆久久久久久久影院中文字幕| 观看美女的网站| 国产欧美日韩一区二区三区在线 | 国产在线一区二区三区精| 夜夜看夜夜爽夜夜摸| 高清日韩中文字幕在线| 97精品久久久久久久久久精品| 免费大片黄手机在线观看| 精品人妻视频免费看| 美女福利国产在线 | 国产av码专区亚洲av| 黄片wwwwww| 欧美日韩国产mv在线观看视频 | 国产男人的电影天堂91| 下体分泌物呈黄色| 亚洲av成人精品一区久久| 1000部很黄的大片| 成人影院久久| 欧美极品一区二区三区四区| 女人久久www免费人成看片| 精华霜和精华液先用哪个| 91久久精品国产一区二区三区| 免费黄色在线免费观看| 中文字幕久久专区| 国产免费一级a男人的天堂| 国产精品欧美亚洲77777| 美女内射精品一级片tv| 中文字幕亚洲精品专区| 岛国毛片在线播放| av国产免费在线观看| 久久韩国三级中文字幕| av在线app专区| 欧美亚洲 丝袜 人妻 在线| 我要看黄色一级片免费的| 不卡视频在线观看欧美| 2018国产大陆天天弄谢| 精品99又大又爽又粗少妇毛片| 欧美精品人与动牲交sv欧美| 好男人视频免费观看在线| kizo精华| 久久久久视频综合| 一级av片app| 22中文网久久字幕| 好男人视频免费观看在线| 亚洲国产精品999| 18禁裸乳无遮挡动漫免费视频| 韩国高清视频一区二区三区| 肉色欧美久久久久久久蜜桃| 亚洲aⅴ乱码一区二区在线播放| 午夜免费男女啪啪视频观看| 日日撸夜夜添| 晚上一个人看的免费电影| 男人舔奶头视频| 18禁裸乳无遮挡免费网站照片| 伊人久久精品亚洲午夜| 丰满乱子伦码专区| 乱码一卡2卡4卡精品| 3wmmmm亚洲av在线观看| 韩国av在线不卡| 亚洲第一区二区三区不卡| 国产成人免费无遮挡视频| 熟女av电影| 少妇的逼好多水| 国产在线一区二区三区精| 日韩av在线免费看完整版不卡| 日本爱情动作片www.在线观看| 黄片wwwwww| 国产av国产精品国产| 免费在线观看成人毛片| 久久国产精品大桥未久av | 国产精品av视频在线免费观看| 性色avwww在线观看| 中国美白少妇内射xxxbb| 又大又黄又爽视频免费| 免费观看的影片在线观看| av在线老鸭窝| 亚洲真实伦在线观看| 天美传媒精品一区二区| 国产久久久一区二区三区| 日本黄大片高清| 亚洲国产精品一区三区| 99热这里只有是精品50| 久久99蜜桃精品久久| 一二三四中文在线观看免费高清| 日日啪夜夜爽| 22中文网久久字幕| 国产亚洲最大av| 热re99久久精品国产66热6| 国产欧美亚洲国产| av免费在线看不卡| 狂野欧美白嫩少妇大欣赏| 亚洲精华国产精华液的使用体验| 亚洲真实伦在线观看| 深爱激情五月婷婷| 亚洲av不卡在线观看| 不卡视频在线观看欧美| 亚洲熟女精品中文字幕| 久久 成人 亚洲| 亚洲图色成人| 日韩人妻高清精品专区| 久久韩国三级中文字幕| 成人高潮视频无遮挡免费网站| 亚洲精品色激情综合| 国产淫片久久久久久久久| 国产在线视频一区二区| 国产高清国产精品国产三级 | 国产精品免费大片| 亚洲精品中文字幕在线视频 | 最近中文字幕2019免费版| 日韩三级伦理在线观看| 高清毛片免费看| 欧美日韩精品成人综合77777| 天堂俺去俺来也www色官网| 亚洲一区二区三区欧美精品| 乱系列少妇在线播放| 高清午夜精品一区二区三区| 王馨瑶露胸无遮挡在线观看| 五月开心婷婷网| 免费观看性生交大片5| 国产伦在线观看视频一区| 国产精品爽爽va在线观看网站| 中文字幕久久专区| 大码成人一级视频| 国产一区有黄有色的免费视频| 久久久久精品久久久久真实原创| 欧美成人精品欧美一级黄| 国产一区二区三区av在线| 秋霞在线观看毛片| 亚洲精品视频女| 国产淫片久久久久久久久| 天堂中文最新版在线下载| 一本久久精品| 九九在线视频观看精品| 精品久久久精品久久久| 成人亚洲精品一区在线观看 | 亚洲美女视频黄频| 欧美成人精品欧美一级黄| 深夜a级毛片| 久久精品夜色国产| 亚洲精品亚洲一区二区| 97精品久久久久久久久久精品| 在线观看av片永久免费下载| 毛片女人毛片| 天堂中文最新版在线下载| 亚洲精品国产av成人精品| 99视频精品全部免费 在线| 欧美日韩国产mv在线观看视频 | 亚洲欧美一区二区三区国产| 22中文网久久字幕| 亚洲天堂av无毛| 国产成人免费无遮挡视频| 国产欧美亚洲国产| 欧美日韩视频高清一区二区三区二| av在线老鸭窝| 日韩中字成人| 亚州av有码| 欧美日韩视频高清一区二区三区二| 丝瓜视频免费看黄片| 1000部很黄的大片| 嫩草影院新地址| 大又大粗又爽又黄少妇毛片口| 亚洲欧美精品专区久久| 国产午夜精品久久久久久一区二区三区| 亚洲av.av天堂| 在线亚洲精品国产二区图片欧美 | 国产黄色视频一区二区在线观看| 小蜜桃在线观看免费完整版高清| 一区二区三区精品91| 国产黄片视频在线免费观看| 午夜福利视频精品| 五月开心婷婷网| 女人十人毛片免费观看3o分钟| 大香蕉久久网| 最近中文字幕高清免费大全6| 国产一区二区三区综合在线观看 | 国产男女超爽视频在线观看| 午夜老司机福利剧场| 久久久久久久久久人人人人人人| 国语对白做爰xxxⅹ性视频网站| 波野结衣二区三区在线| 午夜福利视频精品| 黑丝袜美女国产一区| 好男人视频免费观看在线| 黄色配什么色好看| 2018国产大陆天天弄谢| 九色成人免费人妻av| 亚洲av福利一区| 亚洲精品成人av观看孕妇| 精品久久久噜噜| 少妇人妻 视频| 韩国高清视频一区二区三区| 国产女主播在线喷水免费视频网站| 欧美日韩国产mv在线观看视频 | 成人黄色视频免费在线看| 精品久久久精品久久久| 亚洲av中文字字幕乱码综合| 一区二区av电影网| 国产精品久久久久久精品电影小说 | 国产男女超爽视频在线观看| 国产亚洲91精品色在线| 欧美3d第一页| 97超碰精品成人国产| 亚洲综合色惰| 久久精品国产亚洲网站| 在线天堂最新版资源| 亚洲精品国产色婷婷电影| 欧美 日韩 精品 国产| 久久国产精品大桥未久av | 久久精品久久精品一区二区三区| 一个人免费看片子| 深夜a级毛片| 在线 av 中文字幕| 国产精品一区二区三区四区免费观看| 在线观看三级黄色| 国产精品麻豆人妻色哟哟久久| 大片电影免费在线观看免费| 日韩在线高清观看一区二区三区| 一级毛片久久久久久久久女| 少妇高潮的动态图| videossex国产| 制服丝袜香蕉在线| 久久久久国产精品人妻一区二区| 久久99精品国语久久久| 美女视频免费永久观看网站| 成人国产麻豆网| 高清在线视频一区二区三区| 久久人人爽人人爽人人片va| 国产午夜精品一二区理论片| 免费大片18禁| 超碰97精品在线观看| 熟女av电影| 亚洲,一卡二卡三卡| 亚洲av二区三区四区| 日本一二三区视频观看| 男的添女的下面高潮视频| 麻豆精品久久久久久蜜桃| 美女主播在线视频| 国产 一区 欧美 日韩| 精品久久久久久久久av| 国产伦理片在线播放av一区| 久久 成人 亚洲| 欧美日韩一区二区视频在线观看视频在线| 国产 精品1| 黄片无遮挡物在线观看| 97在线人人人人妻| 97在线视频观看| 亚洲久久久国产精品| 一二三四中文在线观看免费高清| 精品国产一区二区三区久久久樱花 | 91精品国产九色| www.色视频.com| 日韩电影二区| 久久综合国产亚洲精品| 欧美日韩综合久久久久久| 亚洲欧美中文字幕日韩二区| 亚洲熟女精品中文字幕| 免费黄频网站在线观看国产| 成人影院久久| 男女啪啪激烈高潮av片| 精品酒店卫生间| 最近手机中文字幕大全| 国内少妇人妻偷人精品xxx网站| 最近的中文字幕免费完整| 欧美日韩在线观看h| 亚洲不卡免费看| 国产精品av视频在线免费观看| 国产免费又黄又爽又色| 少妇裸体淫交视频免费看高清| 久久久久久久久久久免费av| 简卡轻食公司| 黄片wwwwww| 国产成人精品一,二区| 激情五月婷婷亚洲| 成人高潮视频无遮挡免费网站| 亚洲精品国产av成人精品| 人妻夜夜爽99麻豆av| av不卡在线播放| 亚洲真实伦在线观看| 亚洲av不卡在线观看| 日韩中文字幕视频在线看片 | av国产久精品久网站免费入址| 中文天堂在线官网| 免费看av在线观看网站| 色婷婷av一区二区三区视频| 99久久精品一区二区三区| av国产精品久久久久影院| 欧美区成人在线视频| 乱系列少妇在线播放| 婷婷色综合大香蕉| 久久久久久久亚洲中文字幕| 一级毛片久久久久久久久女| 五月开心婷婷网| 一本一本综合久久| 国产精品国产三级专区第一集| 在线亚洲精品国产二区图片欧美 | 国产伦精品一区二区三区视频9| 国产淫语在线视频| 一区二区三区四区激情视频| 亚洲第一区二区三区不卡| 天堂俺去俺来也www色官网| 美女国产视频在线观看| 国产淫语在线视频| 欧美一区二区亚洲| 欧美区成人在线视频| 在线免费观看不下载黄p国产| 亚洲欧洲国产日韩| 久久婷婷青草| 91精品国产国语对白视频| 成人毛片a级毛片在线播放| 国产精品蜜桃在线观看| av又黄又爽大尺度在线免费看| 伦精品一区二区三区| 中文字幕精品免费在线观看视频 | 九九爱精品视频在线观看| 有码 亚洲区| 免费看光身美女| 日韩免费高清中文字幕av| 亚洲精品自拍成人| 国产乱人偷精品视频| 在线观看三级黄色| 国产精品99久久久久久久久| 99久国产av精品国产电影| av在线观看视频网站免费| 涩涩av久久男人的天堂| 久久综合国产亚洲精品| 成年美女黄网站色视频大全免费 | 狂野欧美激情性bbbbbb| 最新中文字幕久久久久| 成年女人在线观看亚洲视频| 少妇猛男粗大的猛烈进出视频| 精品人妻偷拍中文字幕| 国产91av在线免费观看| 久久久精品94久久精品| h日本视频在线播放| 国产人妻一区二区三区在| 五月伊人婷婷丁香| 国产欧美日韩精品一区二区| 女人十人毛片免费观看3o分钟| av在线蜜桃| 日本黄色片子视频| 一本—道久久a久久精品蜜桃钙片| 亚洲欧美成人精品一区二区| 美女cb高潮喷水在线观看| 国产 一区精品| 美女中出高潮动态图| 91久久精品国产一区二区成人| 男女啪啪激烈高潮av片| 国产日韩欧美亚洲二区| 视频中文字幕在线观看| 1000部很黄的大片| 九九爱精品视频在线观看| 国产精品爽爽va在线观看网站| .国产精品久久| 国产视频内射| 亚洲一级一片aⅴ在线观看| 精品少妇黑人巨大在线播放| 男人爽女人下面视频在线观看| 精品久久久久久久久亚洲| 久热这里只有精品99| 成人无遮挡网站| 蜜臀久久99精品久久宅男| 少妇精品久久久久久久| 亚洲色图综合在线观看| 亚洲激情五月婷婷啪啪| 国产大屁股一区二区在线视频| 亚洲精品国产色婷婷电影| 一级毛片黄色毛片免费观看视频| 国产精品嫩草影院av在线观看| 午夜日本视频在线| 特大巨黑吊av在线直播| 色婷婷av一区二区三区视频| 夜夜爽夜夜爽视频| 我要看日韩黄色一级片| 国产白丝娇喘喷水9色精品| 午夜福利影视在线免费观看| 久久人妻熟女aⅴ| 国产精品一区www在线观看| 只有这里有精品99| 色视频www国产| 日韩中字成人| 一区二区三区免费毛片| 国产精品久久久久久久电影| 亚洲精品日本国产第一区| 自拍偷自拍亚洲精品老妇| 特大巨黑吊av在线直播| 一级毛片 在线播放| 亚洲人成网站在线观看播放| 伦理电影免费视频| 黄色配什么色好看| 亚洲va在线va天堂va国产| 人妻夜夜爽99麻豆av| 性色av一级| 精品久久久久久久久亚洲| videos熟女内射| 亚洲国产欧美在线一区| 国产精品人妻久久久久久| 嫩草影院新地址| 欧美三级亚洲精品|