本文基于对卷积神经网络作物病害的识别

建镇。

现实是现实的。

一本平易近人的学术期刊。

作者：蔡汉明1与玉腾1张震1曾祥勇2号。

单位：1.青岛科技大学机电工程学院；2.北京盛凯互动技术有限公司。

蔡汉明教授从事计算机辅助设计和制造研究。通信作者、硕士研究生从事计算机综合制造研究。

OSID开放的科学计划。

根据识别QR代码很长一段时间。

听作者讲论文，写背景，与同龄人交流经验。

作物病害对作物质量的直接影响是种植者经济损失的主要原因之一。由于疾病种类繁多，无法及时诊断疾病种类，导致作物病害变得越来越严重。因此，准确、及时地确定作物病害类型是治疗作物病害的关键。

随着计算机和模型识别的发展，研究人员使用机器学习和图像处理来研究植物的叶片疾病识别。近年来，神经网络在各种图像分类目标的人脸识别任务中得到了广泛的应用。并在每一项研究的方向上取得了优异的成果。

卷积神经网络也广泛应用于作物病害识别中，但一般情况下，卷积神经网络模型的参数较高，对使用设备的要求较高。鉴于此，笔者提出了一种基于深度可分离的神经网络模型，结合批次归一化技术，加快了会聚精度。获得适用于移动设备和资源限制的设备模型的参数和计算量。对10种作物的27种病害样品进行分类，可用于实际生产管理。

材料和预处理.

材料。

数据集中有10个物种、27个疾病、10个健康分类和37个分类。每个数字包含一片或多片作物的叶子。数据集随机分为培训集(90%)、测试集(10%)。其中，32739张图片共有4982张。一些培训样本如图1所示。

注：1/4为苹果健康黑星病灰斑病雪松锈病；5/6为樱桃健康白粉病；7/11为玉米健康灰斑病叶斑病花叶病毒。 12/15为葡萄健康黑腐病轮斑病，16/17为柑桔健康黄龙病，18/19为桃健康瘢痕病。 20~21是辣椒健康疮，22~24是马铃薯健康早疫，25~26是草莓健康叶枯病。 27/37是番茄健康白粉病，早疫病，晚疫病，叶霉病，番茄斑枯病，番茄红蜘蛛，黄化曲叶病，花叶病。

图1训练图片。

预处理。

与传统的卷积神经网络相同的深度可以分离卷积神经网络的输入图像，而不需要对图像进行复杂的预处理(病斑分割)和设计特征。只需输入原始图像即可通过反向传播逐层学习获得特征。然而，由于图片样品的数量有限，为了提高试卷中模型的适应性，有必要扩大培训样品。一般情况下，图片的操作具有随机亮度对比度饱和度调整，以增加噪声和模糊。为了减少训练轮的数量，研究选择在4个角度（0°90°180°270°）的线下扩展培训样本。所有方向的水平和垂直翻转将原始培训数据扩大到原来的8倍，总共有261912个培训样本。

由于数据集中图像的尺寸、宽度和高度不一致，所以在硬盘中补充了平均值像素，并将其缩小到像素的尺寸。

建立和培训模型。

一般情况下，卷积神经网络具有多层卷积池化层激励层全连接层，并连接到软垫分类器进行分类。类似于标准卷积神经网络结构，该研究构建了一个神经网络，其深度可分离和卷积。

深度可以与卷积分开。

基于标准卷积的公式，采用逐深卷积和11卷积的深度可分离卷积，可代替传统卷积，如图2所示。