基于深度学习的棉花植物病害检测与面部表情识别

### 基于深度学习的棉花植物病害检测与面部表情识别 #### 一、棉花植物病害检测 ##### （一）相关模型介绍 1. **InceptionV3** InceptionV3是Inception卷积神经网络架构的第三个版本，其起源于GoogleNet模块。它在目标检测和图像分析方面表现出色，在ImageNet识别挑战赛中被引入。InceptionV3作为CNN分类器，速度快且准确。该模型架构更注重宽度而非深度，共有310层。因为单纯增加卷积神经网络的深度并不能提高准确性，所以不同版本的Inception模型引入了不同的滤波器串联组件和/或使用的层。 2. **EfficientNet** 2019年，Mingxing Tan和Quoc V. Le提出了EfficientNet模型。他们研究发现深度网络可以从深度、宽度和分辨率三个方面进行缩放。通过增加层数可增加深度，沿层的宽度方向增加可增加宽度，提高输入的分辨率可缩放分辨率，且缩放时不改变层架构。他们还发现，仔细平衡这些缩放维度可以带来更好的性能。 具体的缩放技术是复合缩放，首先进行网格搜索，找到基线网络在固定资源约束下不同缩放维度之间的关系，确定所有维度的适当缩放系数，然后将这些系数应用于将基线模型扩展到所需的目标网络大小。这种方法比传统缩放技术更能持续提高预训练模型（如ResNet）的效率和准确性。 作者提出使用基于神经架构搜索（NAS）的新基线网络，采用移动倒置瓶颈卷积（MBConv）架构，通过缩放得到一组深度学习卷积模型，即EfficientNets。与早期的CNN相比，它们更准确、更高效。此外，通过迁移学习在不同数据集上测试，EfficientNets在8个数据集中有5个优于以前的模型，说明它在迁移学习方面也很有效。 ##### （二）实验实施 1. **硬件和软件设置** 实验在装有64位Windows 10操作系统的PC上进行，使用12GB NVIDIA Tesla K80 GPU进行模型训练。软件工具包括Keras 2.2.6、Tensorflow 1.13.0、Matplotlib 3.4.1和Python 3.8.2。 2. **图像采集** 数据集来自棉花病害数据集，包含患病棉花叶、患病棉花植株、新鲜棉花叶和新鲜棉花植株四个类别。 3. **数据预处理和增强** 将图像重新缩放为224×224像素，使用Keras的ImageDataGenerator对训练集应用旋转、高度平移、宽度平移、图像缩放和水平平移等不同的增强技术，以生成用于训练的新图像。 4. **训练** 加载数据集进行训练、测试和验证。Inception V3和EfficientNetB0的总参数分别为21,810,980和4,054,695，总层数分别为310和236。每次实验使用分类交叉熵和准确率指标评估模型。在微调前后，使用准确率、损失、F1分数、召回率和精确率等指标进行比较。 另一个数据集是从互联网上获取并调整大小的不同棉花图像，用于测试模型。每个实验在微调前运行25个周期，微调后再运行15个周期。实验的超参数在两个模型网络上进行了标准化，使用随机梯度下降（SGD）加速训练并便于收敛，批量大小保持为32以实现更好的训练稳定性，所有模型网络的学习率均为0.001。 以下是实验前两个模型的表现对比表格： | 结果 | 指标 | InceptionV3 | EfficientNetB0 | | --- | --- | --- | --- | | 训练准确率 | | 74.27% | 95.75% | | 验证准确率 | | 69.13% | 79.84% | | 执行时间 | | 1001秒 | 796秒 | ##### （三）实验结果 实验观察了微调对预训练卷积网络在棉花植物病害检测中的影响，重点是使用数据增强和微调来提高预训练模型的性能。由于训练集规模较小，模型容易过拟合，但通过数据增强，改变图像的宽度、高度、旋转、缩放和水平平移，有效地进行了模型训练。 1. **Inception V3性能** 该模型在1951张图像上进行了35个周期的训练。如果不对数据集进行微调，验证损失会大幅波动；引入微调后，损失进一步降低，准确率提高且更加稳定。 2. **EfficientNet B0性能** 通过对比微调前后不同类型患病棉花植物图像的验证和训练准确率图，发现引入微调方法后，准确率显著提高。 3. **整体比较** 在359张图像上测试两个模型，微调后两个模型在验证数据上的准确率都有所提高。Inceptio