基于改进深度网络的农业病害识别，（以番茄叶为例，Python代码，pytorch框架）

• 花匠小妙招
• 2024-11-14 15:16

 效果截图，效果视频：基于并行网络的农业病害识别_哔哩哔哩_bilibili

1.主要内容

      本研究基于卷积神经网络（CNN）模型的基础上进行改进。选取了番茄病叶数据作为研究对象。具体而言，构建了一个数据集，包括番茄细菌性斑点病；番茄早疫病；番茄健康；番茄晚疫病；番茄叶霉病；番茄斑枯病；番茄蜘蛛捕食螨；番茄靶斑病；番茄番茄花叶病毒；番茄黄化曲叶病毒。

         针对传统CNN模型在番茄叶片病虫害分类任务中存在训练时间长、训练成本高、泛化能力较弱等问题，我们特别提出了一种新型卷积神经网络模型，即设计了并行深度卷积网络（PCNN）进行实验。这个模型旨在提高训练效率、降低成本，并增强模型的泛化能力。

        通过在PlantVillage数据集农作物病虫害数据集上进行实验，我们验证了PCNN模型在番茄叶片病虫害分类任务上的性能。相比于传统神经网络模型，PCNN模型在训练时间、成本和泛化能力方面都表现出更为优越的特性，为农业病害识别领域提供了一种新的有效解决方案。

2.整体流程

图1-1 病虫害识别流程 

 图3-1 PCNN结构

       PCNN网络包含两个通道。为了限制每一层卷积的输出值范围，我们在每个卷积操作后引入了批量归一化（Batch Normalization, BN）层。通过对数据进行标准化，BN层确保了每一层卷积神经网络的输出都保持相似的分布，有效减少了内部协方差的变化，从而提升深度神经网络的训练效果。此外，BN层还能在一定程度上缓解梯度消失或梯度爆炸问题，有助于防止模型过拟合。

表 3-1 PCNN网络参数

网络

名称

层类型

核尺寸/

步长

核数量

激活

函数

PCNN

网络通道1

卷积块1

卷积层

3*3/1

16

ReLU

BN层

—

—

—

卷积块2

卷积层

3*3/1

32

ReLU

BN层

—

—

—

池化层1

最大池化层

2/2

—

—

卷积块3

卷积层

3*3/1

64

ReLU

BN层

—

—

—

卷积块4

卷积层

3*3/1

128

ReLU

BN层

—

—

—

池化层2

最大池化层

—

—

—

PCNN

网络通道2

卷积块5

卷积层

3*3/1

16

ReLU

BN层

—

—

—

卷积块6

卷积层

3*3/1

32

ReLU

BN层

—

—

—

池化层3

最大池化层

2/2

—

—

卷积块7

卷积层

3*3/1

64

ReLU

BN层

—

—

—

卷积块8

卷积层

3*3/1

128

ReLU

BN层

—

—

—

池化层4

最大池化层

PCNN网络特征融合

融合层

—

—

—

—

—

全连接层

—

—

256

ReLU

—

输出层

—

—

10

Softmax

3.效果

       本文设计的系统允许用户选择图像或视频文件，进行叶病害的图像识别，并在GUI界面上显示识别结果和计数。其中，视频识别采用多线程，以允许在图像处理的同时保持GUI的响应性。

图4-6 图像连续识别

训练损失曲线 

4.整个文件夹说明

 1.data文件夹：装载的是原始数据照片

2.picture文件夹装载的是

经过hf.py训练集和测试集划分后的数据集

3.class_indices.join是存的类别名和对应的标签，是经hf.py运行后生成的，可以被pycharm或者Spyder，vscode打开

4.CNN.pth保存的是PCNN网络的模型训练完备的参数 ，可以被GUI调用

5.hf.py：对data里面的原始数据集划分为训练集和测试集，并对不同类别打标签，打好的标签存在class_indices.join文件

6.model.py是PCNN模型的代码

7.train1.py是训练和测试脚本

只需要代码和数据集的，可以私信

相关知识

pytorch深度学习框架——实现病虫害图像分类
基于深度学习的植物叶片病害识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于卷积神经网络的棉花病虫害识别与防治系统，resnet50，mobilenet模型【pytorch框架+python源码】
基于YOLOv8深度学习的葡萄病害智能诊断与防治系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战
基于YOLOv8深度学习的橙子病害智能诊断与防治系统【python源码+Pyqt5界面+数据集+训练代码】深度学习实战、目标分类
基于深度学习的植物病害检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于改进YOLOv5s的农田辣椒病害图像识别
0025期基于python卷积网络对甘蔗叶子病识别
基于卷积神经网络的大豆病虫害识别与防治系统，resnet50，mobilenet模型【pytorch框架+python源码】
基于Python和PyTorch的小程序苹果病虫害识别教程

网址: 基于改进深度网络的农业病害识别，（以番茄叶为例，Python代码，pytorch框架） https://m.huajiangbk.com/newsview547774.html

上一篇: 基于卷积神经网络的桃子叶片病虫害

下一篇: ＜项目代码＞YOLOv7 草莓叶