首页 > 分享 > 基于ResNet50的植物病害识别研究与系统应用实现

基于ResNet50的植物病害识别研究与系统应用实现

花匠小妙招
2024-09-15 10:03

1.摘要

近年来，农作物病害已经成为影响其产量的最主要因素之一，专家对于病害的识别虽然较为准确，但是并非随时随地都可以得到专家的指导，并且人工指导还具有识别速度慢、实时性差的缺陷。因此，植物叶片病害的检测与识别对植物的保护与研究有着重大意义。传统的植物叶片病害识别方法通常利用叶片病斑图像的颜色、形状、纹理等特征进行识别分类。深度学习作为现在图像处理领域的研究热点，可以很好地运用在植物叶片病害的检测与识别中。能有效地提高农业领域的竞争性，降低农业成本，实现农业的自动化，并提高农业生产的效率。本文主要探究了ResNet50在植物病害识别研究领域的实现与应用。

1.首选，基于ResNet50提取植物叶片的深度特征，从而提高softmax分类器的识别效果，实验结果表明，采用ResNet50模型进行植物叶片的病害识别，其平均识别精度可达８5%。

2.其次，基于训练好的ResNet50模型参数，采用 Django 框架实现了植物病害的自动检测系统。

2.数据集

为了验证该方法对于植物病害多分类识别问题的有效性，本实验使用 Plant Village 公开数据集。
数据集图片如图所示。该数据集隶属于宾夕法尼亚州州立大学，其官方网站提供了大量各类植物病害图片以方便有关学者的研究工作。

本实验中的数据集共用 38个类别名称，代表38类病害。该数据集可以和代码一起下载。

下载地址：基于ResNet50的植物病害识别研究-深度学习文档类资源-CSDN下载

3.模型实现与结果展示

近年来在图像分类识别领域，卷积神经网络有很好的效果。与传统的分类方法相比更为优秀，识
别率更高，在卷积神经网络上发展出一批优秀的深层神经网络，主要代表有 AlexNet、VGG、GoogleNet、ResNet等，这些网络与传统的卷积神经网络相比识别率更高。然而，深度神经网络有两个很严重的问题：梯度消失和梯度爆炸。随着神经网络的层数增加，准确率在不断的提高，但是问题也在加重。为了解决这两个问题，残差网络可以通过旁路的输入 x 来避免层数带来的问题。其中，ResNet50 是一种优秀的、计算负担小的残差网络模型。在 ResNet50 网络模型中，最为重要的模块就是残差学习单元，其独特的设计结构解决了深层神经网络容易出现的梯度消失和梯度爆炸问题。其单元结构如图所示。其结构的输入为x，期望输出是F(x)，拟合函数为F(x)+X。该单元弥补了在图像信息处理过程中的信息扭曲、损失等不足，极大的提高了网络的学习能力。虽然残差网络能够有效解决梯度增加所带来的一系列的问题，例如梯度消失、梯度爆炸等，但是如果要进一步的提高训练模型的准确率，增加网络深度的同时，网络的宽度与复杂度也会增加，这会提高模型训练的所需要的显存，增加模型训练的难度，从而无法获得较高分类准确率的模型。

def ResNet50(input_shape = (64, 64, 3), classes =38):

# Define the input as a tensor with shape input_shape

X_input = Input(input_shape)

# Zero-Padding

X = ZeroPadding2D((3, 3))(X_input)

# Stage 1

X = Conv2D(filters=64, kernel_size=(7, 7), strides=(2, 2), name="conv", kernel_initializer=glorot_uniform(seed=0))(X)

X = BatchNormalization(axis=3, name="bn_conv1")(X)

X = Activation("relu")(X)

X = MaxPooling2D(pool_size=(3, 3), strides=(2, 2))(X)

# Stage 2

X = convolutional_block(X, f=3, filters=[64, 64, 256], stage=2, block="a", s=1)

X = identity_block(X, f=3, filters=[64, 64, 256], stage=2, block="b")

X = identity_block(X, f=3, filters=[64, 64, 256], stage=2, block="c")

### START CODE HERE ###

# Stage 3 (≈4 lines)

# The convolutional block uses three set of filters of size [128,128,512], "f" is 3, "s" is 2 and the block is "a".

# The 3 identity blocks use three set of filters of size [128,128,512], "f" is 3 and the blocks are "b", "c" and "d".

X = convolutional_block(X, f=3, filters=[128, 128, 512], stage=3, block="a", s=1)

X = identity_block(X, f=3, filters=[128, 128, 512], stage=3, block="b")

X = identity_block(X, f=3, filters=[128, 128, 512], stage=3, block="c")

X = identity_block(X, f=3, filters=[128, 128, 512], stage=3, block="d")

# Stage 4 (≈6 lines)

# The convolutional block uses three set of filters of size [256, 256, 1024], "f" is 3, "s" is 2 and the block is "a".

# The 5 identity blocks use three set of filters of size [256, 256, 1024], "f" is 3 and the blocks are "b", "c", "d", "e" and "f".

X = convolutional_block(X, f=3, filters=[256, 256, 1024], stage=4, block="a", s=2)

X = identity_block(X, f=3, filters=[256, 256, 1024], stage=4, block="b")

X = identity_block(X, f=3, filters=[256, 256, 1024], stage=4, block="c")

X = identity_block(X, f=3, filters=[256, 256, 1024], stage=4, block="d")

X = identity_block(X, f=3, filters=[256, 256, 1024], stage=4, block="e")

X = identity_block(X, f=3, filters=[256, 256, 1024], stage=4, block="f")

# Stage 5 (≈3 lines)

# The convolutional block uses three set of filters of size [512, 512, 2048], "f" is 3, "s" is 2 and the block is "a".

# The 2 identity blocks use three set of filters of size [256, 256, 2048], "f" is 3 and the blocks are "b" and "c".

X = convolutional_block(X, f=3, filters=[512, 512, 2048], stage=5, block="a", s=2)

X = identity_block(X, f=3, filters=[512, 512, 2048], stage=5, block="b")

X = identity_block(X, f=3, filters=[512, 512, 2048], stage=5, block="c")

# filters should be [256, 256, 2048], but it fail to be graded. Use [512, 512, 2048] to pass the grading

# AVGPOOL (≈1 line). Use "X = AveragePooling2D(...)(X)"

# The 2D Average Pooling uses a window of shape (2,2) and its name is "avg_pool".

X = AveragePooling2D(pool_size=(2, 2), padding="same")(X)

# output layer

X = Flatten()(X)

X = Dense(classes, activation="softmax", name="fc"+str(classes), kernel_initializer=glorot_uniform(seed=0))(X)

# Create model

model = Model(inputs=X_input, outputs=X, name="ResNet50")

return model

4.系统应用

该系统 Web 开发是采用目前较为流行的基于 Python 语言的 Web 框架 Django。采用 Django 框架的主要目的是简便和快速。Django 强调代码复用，多个组件可以很方便的以“插件”形式服务于整个框架，Django 有许多功能强大的第三方插件，方便开发出自己的工具包，使得 Django 具有很强的可扩展性。Django 还为用户设计了完美的管理界面，简便了系统的开发过程。

本部分在训练完植物叶片病害识别的模型参数后，将植物叶片病害识别的模型部署到Web中，前端负责获取用户在页面上传的图像并预处理，再向服务器发出AJAX请求，请求内容为待识别的图像。服务器端程序生成TF会话并加载训练好的模型，调用相应的视图函数将请求数据送入TF会话中计算，最后将识别结果异步回传到前端。其实现界面如下：

系统主界面：

预测界面：

实现预测展示：

系统实现下载：基于ResNet50的植物病害识别系统应用实现-深度学习文档类资源-CSDN下载

5.总结

随着全球气候和环境的不断变化，植物病虫害的发生越来越频繁，对全球粮食安全和产量产生了重大影响。对植物病虫害的准确识别可以有效的保护生态安全和保障农林作物产量。本文通过实验证明，基于ResNet50的植物病害识别方法的准确率较高，一定程度上解决了多分类植物病害识别问题，并且进行了系统的应用实现。但仍需要进行以下探索。第一，模型训练速度的优化，在模型训练速度方面，是否可以使用更加先进的并行处理方式，减少模型的训练时长。第二，随着互联网技术的发展，实时采集植物病害图像及视频已经实际应用，在后续的研究中可以考虑接入视频从而提供实时预警，减少农户的经济损失。