基于深度学习的银杏枯叶病发病程度识别研究.pdf

摘 要 摘 要 银杏叶片具有很高的经济价值、药用价值和观赏价值，银杏叶片病虫害可导致银 杏的死亡，从而带来经济损失。对晚期的患病银杏叶片已无法采取措施，因此患病银 杏叶片的早期及时、准确识别与预测对于降低银杏叶片发病率和死亡率具有重要意义。 目前很多学者将深度学习运用于农作物种类和植物病虫害种类识别中，而对同一类植 物患病等级的研究还比较少，尤其是在银杏叶片发病程度的自动识别上的研究比较少。 因此本文的创新点为对银杏叶片患病程度进行了识别研究；并且第一次将 CNN- LSTM 模型应用于银杏叶片患病程度的识别中，CNN-LSTM 模型可以对具有时间关 系的序列图像进行识别。 本文研究基于深度学习的银杏叶片发病程度识别方面的应用，使用卷积神经网络 和循环神经网络进行了训练。主要研究工作如下： （1）研究了基于 CNN 的两种方法来进行单一背景和复杂背景下的银杏叶片患 病程度识别。第一种方法研究了基于VGGNet-16 模型的银杏叶片患病程度识别，单 一背景下的银杏叶片患病程度识别率达到 98.44%，复杂背景下的银杏叶片患病程度 识别率达到92.19%，最终选出最佳模型。第二种方法研究了基于Inception V3 网络模 型微调的银杏叶片患病程度识别方法。单一背景下的银杏叶片患病程度识别率达到 92.30%，复杂背景下的银杏叶片患病程度识别率达到93.20% 。VGGNet-16 模型对单 一背景的银杏叶片患病程度识别率最高，采用Inception V3 微调的网络模型对复杂背 景的银杏叶片患病程度识别效果最好。对于同一个模型下的两种不同背景银杏叶片患 病程度识别而言，Inception V3 微调的网络模型识别率较为稳定，泛化能力更好。 （2 ）本文还研究了基于CNN-LSTM 的银杏叶片患病程度识别方法。对复杂背景 下的序列图像进行了研究训练，取得 93.06% 的准确率。并且研究了数据增强及超参 数调整对CNN-LSTM 模型性能的影响。验证了增大数据集样本量可以提高测试集准 确率，减少过拟合，提高模型性能，从而取得对复杂背景下的序列图像识别的良好效 果。还验证了当数据集样本量不变时，调整超参数对模型的影响。使用技巧对超参数 进行调整后，在一定程度上提高了识别率，改善了模型的性能。 I 目录 目 录 1. 绪论 1 1.1. 研究背景及意义 1 1.2. 国内外研究现状2 1.2.1. 国内研究现状2 1.2.2. 国外研究现状 3 1.3. 本文研究内容 5 1.4. 本文贡献 5 1.5. 本文组织结构 6 2. 深度学习方法7 2.1. BP 神经网络7 2.2. 卷积神经网络 10 2.3. 循环神经网络 13 2.4. 激活函数和反向传播算法 15 2.4.1. 激活函数 15 2.4.2. 反向传播算法 18 2.5. 优化算法 19 2.5.1. 梯度下降 19 2.5.2. 学习率22 2.6. 本章小结24 3. 基于CNN 的银杏叶片患病程度识别25 3.1. 基于VGGNet-16 模型的银杏叶片患病程度识别25 3.1.1. VGGNet-16 模型介绍25 3.1.2. 实验实施细节26 3.1.3. 基于VGGNet-16 模型的实验结果29 3.2. 基于Inception V3 网络模型微调的银杏叶片患病程度识别 32 3.2.1. Inception V3 模型介绍 32 3.2.2. 微调后的Inception V3 35 3.2.3. 基于Inception V3 模型微调的实验实施细节和实验结果 36 3.3. 实验结果对比与分析 38 3.4. 本章小结 39 4. 基于CNN-LSTM 的银杏叶片患病程度识别40