深度学习优化橄榄疾病分类农业人工智能研究

农业中的人工智能6（2022）77深度卷积神经网络中的优化技术应用于橄榄疾病分类El Mehdi Raouhia， Mohammed Lachgara，Hamid Hrimechb，Ali KartitaaLTI实验室，ENSA，Chouaib Doukkali El Jadida大学，El Jadida，摩洛哥b摩洛哥Berrechid Hassan第一大学ENSA LAMSAD实验室a r t i c l e i nf o文章历史记录：接收日期：2022年2月24收到修订版，2022年5月29日接受，2022年2022年6月7日在线发布保留字：卷积神经网络（CNN）分类优化植物病害Olive dataset diseases（ODD）a b s t r a c t植物病害对农业生产的质量和数量都有不利影响然而，这些疾病的预测证明了对作物质量和降低生产损失风险的影响事实上，植物病害的检测-无论是用肉眼还是用传统方法-在时间、可用性和结果方面都是一个很麻烦的过程，而且误差风险很目前的工作介绍了一个深入的研究各种CNN架构与不同的优化算法进行橄榄疾病检测使用分类技术，建议最佳模型构建一个有效的疾病检测器。这项研究提出了一个数据集的5571橄榄叶图像手动收集的真实条件下，从不同地区的摩洛哥，其中还包括健康类，以检测橄榄疾病。此外，本研究的目标之一是研究CNN架构与通过准确性和其他性能指标评估的优化算法之间的相关性效应训练模型的最高正确率为100%，而在没有数据增强的实验中，最高正确率为92.59%。本研究的另一个主题是优化算法对神经网络性能的影响作为所进行的实验的结果，使用Rmsprop算法的MobileNet架构在疾病检测器的性能和效率方面优于其他组合。版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一个开放在CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）下访问文章。1. 介绍橄榄树被认为是自古以来世界上栽培最多和最古老的圆顶果树（Chliyeh等人， 2014年）。在地中海气候区，它在地球南北半球的30°-45°范围以这种方式，世界园艺面积的97%（约1050万公顷）集中在地中海盆地。摩洛哥位于西班牙、意大利和希腊之后，橄榄种植面积约为78.4万公顷，年产橄榄148.351万吨。同样，它通过生产超过10亿个工作日，有效地促进了国家人民的发展（Vega-Márquez等人， 2020年）。 5.6%的地区的一般表面（PMMA，2011）传播超过三个基本区域：Rif（Taounate，Chefchaoune），中部（Fes，Meknes，Taza）和南部（Haouz，Tadla和Sa fi和Essaouira之间的海滨区）。可悲的是，橄榄树暴露在不同微生物的攻击下，这影响了它的健康，产量和油的性质无论是建造新的橄榄树庄园，还是水的影响，*通讯作者。电子邮件地址：raouhi@gmail.com（E.M. Raouhi）。关于植物感染事件和幼树死亡的系统同样扩大，扰乱了橄榄生产者（Abade等人， 2021年）。否则，全球人口的指数增长是一个事实，到2025年将达到95亿，未来人口对粮食的需求将高得多农业用地的损失（Uguz和Uysal，2020年）、气候变化和植物病害的预测极限植物害虫的挑战是农业研究中最有趣的领域之一，因为与该领域相关的困难和风险。从文献研究中可以看出，由于控制了许多植物害虫，许多农产品的产量显著增加（Liu和Wang，2021）。植物病害的一些原因包括诸如真菌、细菌和病毒的生物因子，以及诸如恶劣天气和燃烧化学品的环境因素（Moorthy等人，2020; Esgario等人，2019; Uguz和Uysal，2020;Gavhale和Gawande，2019）。去应对这些挑战。目前的审查是在摩洛哥进行的，以增加对橄榄树疾病的识别（ID），通过在国家各地区的真实条件下收集的一系列信息，以及在橄榄树，特别是橄榄树，内外学习区域介绍自己作为基本的各种疾病，https://doi.org/10.1016/j.aiia.2022.06.0012589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/E.M. Raouhi，M.拉赫加Hrimech等人农业人工78为了区分橄榄树感染的发现和传播，该领域的早期ID是至关重要的初始步骤（Foysal等人， 2019年）。 这通常会促使人们转向深度学习的想法，这对于利用具有许多神经元的网络层来训练准备信息的AI来说是必不可少的（Hussain等人， 2018年），CNN是理解图片内容的最佳学习计算，并在识别图片分割，排序，识别和提取的事业中表现出高性能。CNN的成就引起了过去学术界的关注。 在工业界，Google、Microsoft和Facebook等组织已经创建了动态检查集会，以研究新的CNN模型结构。今天，图片处理和PC视觉（CV）竞赛的大部分先驱使用基于CNN的模型（Pantazi等人， 2020年）。因此，这项工作的主要领域可以概括如下。首先，介绍了CNN结构和植物病害，主要用于橄榄植物病害分类的文献。其次，这项工作提出了一个探索性的分析与性能分析模拟的组装数据集之前提出的橄榄树疾病。此外，本次审查的根本目的是区分六种橄榄植物叶子疾病的副作用。该数据集由5571幅图像组成，以展示系统检测器的性能，并为相关工作提供基准收集的研究表明，橄榄植物叶片疾病可以高性能地检测出来，而无需寻求该领域专家的帮助目的是提高分类性能。这项工作旨在回答以下问题：• CNN模型对橄榄疾病分类的性能有什么影响(How CNN模型在分类橄榄疾病方面的表现如何？）• 优化对橄榄疾病分类的性能有什么影响(What优化算法给出了最好的perfor-曼斯在分类橄榄疾病？）• 用于分类的CNN模型和用于优化损失函数的算法之间是否存在相关性(Is作为分类器的CNN模型与所选的各种损失函数优化算法之间存在相关性本文其余部分的结构安排如下。第二节首先介绍了背景和相关工作的材料和方法，然后描述了模拟工作的流程。第三、四节介绍了由模拟和讨论结果确定的实验装置最后，第4陈述了一些结论和对未来工作的展望。2. 材料和方法2.1. 卷积神经网络从1989年到现在，神经网络工程中的各种技术壮举已经被证明（Pedrycz，2020）。这些创新可以以改进的分类和正则化约束的形式进行排序从某种意义上说，它的智能系统的性能不断增强，并根据用例的阐述2.1.1. AlexNet与传统技术相比，该架构是通过关键步骤发展ImageNet分类性能的主要深层结构之一，AlexNet在工程中引入了新的工程（Alruwaili等人，2019），使用用于非线性分数的矩形线性单元ReLu，而不是在集成经典神经网络之前的正切双曲Tanh或Sigmoid函数。ReLu由下式给出：最大值为0，最大值为1与sigmoid函数相比，ReLu函数的优点是计算时间，因为函数需要选择max（0，x），而不是在执行时间内执行指数运算，这更昂贵，sigmoid在浸入区域中很小，因此权重更新几乎消失。这就是所谓的梯度消失问题。图图1显示了AlexNet架构的基本布局，显示了它的五个卷积层和三个完全连接的层。图1.一、 AlexNet深度神经网络的经典结构。E.M. Raouhi，M.拉赫加Hrimech等人农业人工792.1.2. VGG随着CNN网络的成功，特别是在图像识别任务中，建筑设计研究有所增加。 在这一观点中，这项工作的作者在Pedrycz（2020）中提出了一个简单而强大的CNN结构计划指令。他们的分层演示，称为VGG，是分开的。与AlexNet不同，VGG依赖于16或19个深层，从深度与表示层组成的能力之间的关系中汲取灵感（Uguz和Uysal，2020）。图图2显示了VGG架构的基本布局。2.1.3. GoogLeNetGoogleNet的引入是为了挑战一个简单的目标，以便以最低的成本实现最佳性能（Pedrycz，2020）。这是通过CNN中开始块的革命性想法实现的，它使用分割，变化和联合的概念在不同尺度上加入卷积修改在GoogleNet中，传统的卷积层由小正方形交换，作为每层的底层，具有微型神经网络，如图所示。3.2.1.4. 残差网络ResNet重新设计了CNN的工程，引入了继续在CNN中开发以准备深度组织的想法。以道路网络为例，过去的每一个图二、 VGG深度神经网络的经典结构。模型使用深度神经配置，其中它们连贯地叠加了几层卷积。Pedrycz（2020）的作者发现，更深的配置更有效。 为了克服这些限制，ResNet架构的作者在图中提出。4引入了跳跃关联，推测较深层将允许学习类似于较浅层所实现的学习。2.1.5. CNN特性深度CNN在时间序列数据或网格类型拓扑中表现良好尽管如此，还有其他挑战，其中一个深CNN架构已被应用。 与独特的CNN模型相关的基本困难在表1中以显著的强度和废话引用。深度CNN在时间序列数据或网格类型拓扑中工作良好然而，还有其他挑战，其中一个深CNN架构已被应用。表1中提到了与不同CNN架构相关的主要挑战，其中包括主要强度和gabs。2.2. 橄榄病害在7.5亿公顷的土地中，95%以上的土地是在地中海地区种植的重要的是要注意，各种因素都可能影响这种作物，包括昆虫，线虫和病原体，后者对整个欧盟的橄榄作物生产造成严重损害（Pedrycz，2020）。商品和人员的商业运作、气候变化和农业实践的变化有利于橄榄生产中某些疾病的引入、传播和建立（Sinha和Shekhawat，2020）。然而，许多致病和害虫因素对橄榄树的产量产生负面影响（Moorthy等人，2020;Chliyeh等人， 2014）Fig. 五、疾病，如：2.2.1. 黑橄榄病黑橄榄病在图中呈现。 6号菌株是由粉蚧传播的真菌。树叶被黑色的灰尘覆盖，阻碍了树木的呼吸过程。产卵的雌性在壳下有1000到2000个卵 有两种类型的影响，直接影响树叶和细枝（通过提取树液），导致树叶掉落，削弱树木的活力，在严重虫害的情况下导致细枝死亡（Alves等人， 2019年）。主要的危害是由大量被煤烟覆盖的蜜露分泌物造成的间接危害，蜜露用一种浓密的黑色物质覆盖果实和结果，叶子脱落，橄榄质量下降，枝条枯萎（Sinha和Shekhawat，2020）。 五、2.2.2. 孔雀眼病图中所示的环锥属或“孔雀眼”。7是一种影响最严重的病害，因为它攻击叶子和果实，它表现为直径在2和10 mm之间的圆形黄色或棕色的斑点，并且主要存在于叶子、茎的上表面上，甚至直接在果实上，主要影响植物的光合能力，这些并发症可以表现为叶子脱落或特别是第二年产量的显著降低。在高湿度和降雨条件下，新发芽的叶子可能在几个月的长时间内没有症状（Sinha和Shekhawat，2020）。2.2.3. 脊椎病大丽轮枝菌Verticillum dahliae在图1中描述。 8作为一种微观真菌在土壤中传播，通过汁液的上升感染树木。通过根部伤口或使用受感染的工具进行修剪，传染会发展（Sinha和Shekhawat，2020年）。该病的外部病理症状在幼树中表现为急性形式，在老树中表现为特异性形式此外，症状E.M. Raouhi，M.拉赫加Hrimech等人农业人工80图3. Google Net深度神经网络的经典结构。中风的发病期多在冬末春初。其特征是小枝、次生枝和主枝迅速而明显地枯萎，树皮从顶端到基部呈棕色，趋向紫色这些多叶器官具有朝向其下侧卷曲的叶子，并且其绿色颜色退化为浅棕色，这使得它们完全干燥（Singh等人， 2020年）。2.2.4. 炭疽病广泛分布于地中海盆地。炭疽病出现在图中。9是最影响橄榄树的疾病之一。在果实成熟和生长的整个过程中，以及在一年中的一个以上的周期中，人类都在活动以植物病原性生长表现的寄生形式出现，暗示着炭疽菌的内生类型，这种疾病可能是橄榄树的主要叶真菌和天然产物的主要感染这些特征通常是橄榄的腐烂和木乃伊化（Sinha和Shekhawat，2020年）。2.2.5. 结核疾病春、夏两季主要表现在枝、干、根上出现突起，多发生在叶基部节位和果茎上。一般而言，炭疽病直接影响产量（Sinha和Shekhawat，2020年）。 橄榄结在图中呈现。 10是可见的，在树上非常敏感。有空中肿瘤，而不是典型的叶片坏死和溃疡。树的枝和茎上，有时在叶和果实上的增生性生长（瘿或结节）呈现出该病的特征性症状2.2.6. 油囊水囊线虫病属于球菌科。Saissetia Oliae是图11中所示的胭脂虫。它分布在许多野生和多叶植物上。它表现在不同的作物上，特别是无花果树、柑橘类水果、香蕉和橄榄树。它主要表现在树枝上，直到在某些情况下完全覆盖[9]。这种疾病使植物衰弱，导致其重要器官的破坏通过树叶和树枝上的蜜露因为它碰巧允许煤烟的膨胀（Sinha和Shekhawat，2020）。2.3. 相关工作相关工作可分为两类：第一类是检测植物病害的技术，第二类是文献中使用的技术，特别是用于橄榄植物病害分类的技术。2.3.1. 植物病害本节描 述了文献中 用于鉴定植 物病害的技 术首先，一 些作品（Gavhale和Gawande，2019; Saleem等人，2019; Esgario等人，2019）使用了基于树叶图像的数据集，但没有说明数据集是平衡的还是不平衡的。作者在Moorthy et al. （2020）使用光谱学来研究材料与光之间的相互作用，考虑到将被加入或镜像的频率，该评论认为，大多数关于叶子图片的早期工作被用作关键信息部分，此外，当显示副作用时，它表明疾病到目前为止处于高水平阶段，并且实际上没有希望拯救被污染的植物。阻碍了对光谱学等选修手段和策略的要求，E.M. Raouhi，M.拉赫加Hrimech等人农业人工81图四、 残差网络深度神经网络的经典结构。在早期阶段识别并阻止疾病此外，Foysal等人的作者。（2019）提出了一种识别番茄植株病害分类区域的有效和适当的解决方案。我们的目标是追踪一个深刻的学习工程，以处理比获取实际例子（叶子，植物）的策略更合适的单元，并像以前的工作一样在实验室中解剖它之后，在这一点上，探索提出Saleem等人。（2019）利用Inception v3工程在坦桑尼亚收集的木薯感染图片数据集为了区分三种疾病和两种虫子，他们证明了找出如何重新定位是机器人疾病发现的一个不错的工具该模型在手机上传输，通过张量流应用程序逐步识别木薯植物的疾病。 最后，介绍了勘探工作（Abade等人， 2021），处理一些组成模型，例如，AlexNet，GoogLeNet和VGG框架上的公共数据集包含87，848张图片，包括25种独特的植物。在一堆的58个particular类的植物病害类型，将健全的植物与最好的结果展览达到了99.53%的胜利步伐。其他作品解决了一个非常重要的领域，关于数据增强技术的局限性，事实上，作者在Tendon等人。（2021）提出了一种集成框架，其使用不同的卷积神经网络（CNN）来自动检测/识别来自通过包含部分cof-fee树的智能手机收集的现场图像的病变。此外，作者在Sharma et al. （2020）调查A通过使用分割的图像数据来训练卷积神经网络（CNN）模型，可以解决独立数据上的模型泛化问题目前的经验建立在以前的工作，除了它使用一个适当的数据集与改进的classi- tion模型。2.3.2. 橄榄叶部病害检测技术在Waleed et al. （2020），使用提供更高精度的k均值算法的分割，使用第一至第四阶矩应用纹理分析，这有助于使用第一至第四阶矩识别感染与一个或多个纹理的关系，在这种情况下，这允许我们识别感染区域与充当同质性、熵的纹理特征之间的高度相关性的感染关系，这也有助于对新花斑病和孔雀叶斑病这两种同质性疾病进行分类。随后，在Chandra和Matthias（2017）中，作者提出了一个利用移动学习的思想来区分橄榄树疾病的高效模型，这是一个明智的信息增量，每个类别中的图片数量都有加权，并且它在更复杂的条件下工作，具有更广泛和进一步发展的信息索引。 仿真结果表明，优化后的模型在正确率、准确率、召回率和F1估计等方面都有较高的估计精度，总体精度达到99.11%。然后在Waleed et al. （2020年），作者介绍了一种自动橄榄树检测系统采用改进的K-Means算法，E.M. Raouhi，M.拉赫加Hrimech等人农业人工82表1与实现基于深度的CNN架构相关的主要挑战架构强度不足AlexNet-没有更多的抽搐层，用于适应大容量数据集的参数。- 校正单元的引入和预处理代表了计算机视觉任务的重要进展。ResNet-将知识过程简化为神经网络中的扩展层，作为身份函数。- 输入可以通过层之间的剩余连接更快地传播。- 网络的卷积和序列特性VGG-基于复杂网络的紧凑高效设计。- 多层深卷积和简化卷积的表现优于更宽卷积的较少层。GoogLeNet- 卷积1×1最小化像素窗格上通道的维度。因此，最大池化降低了分辨率。- 提供了接近类似架构的验证性能，但复杂性（我猜这不能被视为优势）和更优化的计算时间。- 效率有限与新的CNN架构相比。- 由于堆叠相同的模块而过度装配- 使用完全关联图层的计算成本- 由于瓶颈导致的数据丢失风险图第六章 黑橄榄病的样本。训练模型中的技术获得了95%的性能率，而在没有这种技术的实验中，更高的值为88%。这项工作的另一个主题是Adam，AdaGrad，SGD和RMSProp精简计算对网络性能的影响和联系。由于进行的分析，作者认为亚当和SGD大体上具有无与伦比的结果。最后，当对橄榄炭疽病实施随机森林算法时，结果是可以接受的，但如果收集了真实数据，则可以改进。表2总结了在橄榄植物疾病分类文献中进行的相关工作的结果，以及在增强技术、类别数量、迁移学习、CNN架构和数据方面使用的参数。他们提出了一种橄榄树疾病的自动检测方法，包括基于几个步骤的分类的实现模型因此，随机森林的总体准确率为97.5%，训练和测试之间的比例为70除了之前提出的研究之外，Uguz和Uysal（2020）使用数据增强的实验研究设定音量。表2总结了在文献中进行的相关工作的结果，用于橄榄树疾病的分类和在增强技术、类别数量、迁移学习、CNN架构和数据集体积方面使用的参数。图五、实验中使用的橄榄数据集疾病的样品（A，B）炭疽病（C）轮枝病（Verticilliose），（D）烟曲霉属（Fumigina），（E）油树蕊木（Saissetia oleae），（F）环锭草属（Cyclonium）OP。E.M. Raouhi，M.拉赫加Hrimech等人农业人工83图第九章 炭疽病样本。2.4. 模拟图第七章孔雀眼病样本。classification. 在上述模式中详细描述的图像分类技术中最重要的任务是设计合适的分类器、提取特征、选择训练样本、图像预处理和确定最佳分类模型、优化算法、分类后处理以及最后分析评估的准确性和性能。图中所示的模拟过程。下文第12段概述了实施所研究的优化技术所采用的过程以及为获得最佳结果所采用的方法。2.4.1. 模拟工作流程训练数据集中的未知样本用于训练分类算法，以确定最适合检测特定疾病的CNN模型。最后，得到了与最佳优化器相关联的合适模型，并使用不同的性能指标对结果进行了分析表明，采用合适的方法，图八、 疣病的样本。（Dhingra等人，2018年）。2.4.2. 模拟环境以下是用于模拟的计算机硬件的配置描述• 处理器：i5- 8250U@1.6 GHz（8 CPU）• RAM：16384MB• 编程语言：Python Version 3.7• 软件：Anaconda 3/Spyder Version 3.3.62.4.3. 数据收集该数据集包含5571张在真实条件下从作物橄榄田拍摄的不同植物叶子类别（健康和疾病）的图像它由七类疾病组成，分布不均衡，如图所示。13、健康的人重要的是要注意，数据集包含在所呈现的橄榄疾病演变的不同阶段拍摄的各种图像，这使得可以丰富学习集，从而使分类器能够在验证集上获得最佳结果（Yousuf和Khan，2021）。在这项工作开始之初，由于没有合适的数据集可用于实时检测橄榄病，许多人力和物力都投入到了橄榄病的采集上图10. 结核病样本。E.M. Raouhi，M.拉赫加Hrimech等人农业人工84¼¼图十一岁橄榄油囊线虫病样本。疾病橄榄的病害模式随季节变化，并与其他因素，如湿度，温度和光照。如阴雨天气有利于病菌的产生和传播，从而使病斑在病叶上扩大和扩散。考虑到这一点，在各种天气条件下收集图像，以便更全面地应用。最后，数据集中的所有病变图像都由专家手动注释。2.4.4. 数据预处理数据预处理任务从跨越数据点开始其次，使用80张图像进行训练，20张图像进行测试，从而实现对数据的分割此外，还采用了改进方法来提升像素在一个扩展的强度范围内的分布，对图像进行了直接差异拉伸2.4.5. 数据注释图像标注是图像处理中的一个重要环节，其目的是对病变图像中的目标点进行位置标注和类别标注在这个阶段中，使用Python开发了一个提供帧选择功能的算法利用该算法并与农业专家提供的知识一起，可以选择图像的患病区域并将其分配给相应的类别（Pantazi等人，2020年）。注释以与原件相同大小的图像形式提供，并以JPG或JIFF格式存储。 黑色像素指示背景，而所有其他颜色用于唯一地识别背景中的植物的叶子。技术被用于数据增强操作，包括旋转变换、水平和垂直平移以及强度扰动，强度扰动包括亮度、清晰度和对比度的扰动。还应用高斯噪声处理操作 通过上述操作，从每个图像生成新的患病图像（Cap等人， 2020年）。 作者在对olive数据集类进行过采样之前使用交叉验证（Vega-Márquez等人， 2020年），就像应该如何实现特征选择一样。只有通过重复地重新采样数据，才能将随机性引入橄榄病数据集，以确保图图14显示了应用上述段落中详述的增强技术后橄榄球疾病数据集的分布。通过微调以下参数来执行数据增强过程，包括rotation_range = 15、width_shift_range = 0.2、 height_shift_range=0.2 、 shear_range=0.2、zoom_range =0.2、horizontal_shift_ip= True、fill_mode=“nearest”。2.4.7. 特征提取一些变量或特征在形成不同的模型时非常重要在这种情况下，为了只保留最相关的变量并消除可能干扰所提出的系统的学习的有害特性，然后应用变量的选择过程在此意义上，本研究所采用的变量选择方法是变量选择的序贯后向选择2.4.8. 分类分类是一个需要使用机器学习算法的功能，该算法学习如何将标记分配给来自问题领域的不同类一个容易理解的例子是对垃圾邮件进行分类。多类分类是指具有两个以上类标记的分类功能和特征2.4.9. 评价绩效指标为决策者提供了支持评估的智慧。使用不同的性能指标（如准确度、错误率、Kappa、精度、召回率、F1评分、平均绝对误差和对数损失）评估结果，以推荐适当的预测特征选择方法[5]2.4.9.1. 精度根据以下公式计算准确度。现场在整个延时镜头中，该方法始终使用相同的颜色代码来标记同一张纸上的事件准确度TPTPTN FP FNð2Þ然后，在每个植物的二进制掩码中，通过单独划分叶子，树枝和果实，遵循完全基于手动标记的方法（Garcia和Barbedo，2018）。2.4.6.数据增强CNN训练阶段的过拟合问题可能是过拟合问题，其中，TP-真阳性; TN-真阴性; FP-假阳性; FN-假阴性。2.4.9.2. 精度实际上是正的预测正的现在。也称为阳性预测值（PPV）。是通过数据增强的 当描述的是随机噪声或误差而不是潜在的关系时，会发生过拟合问题，参见Cap等人。（2020年）。通过数据增强技术扩展后有更多的图像，模型可以学习尽可能多的无关信息，精密TP公司简介ð3Þ在训练过程中，尽可能地使用模式，从而避免过度拟合并实现更高的性能。为此，几2.4.9.3. 记得了阳性结果在所有受试者中所占比例实际上是阳性的样本它被认为是敏感性。表2开展橄榄病害分类的相关工作。纸验证精度增强NB.的类迁移学习架构数据集国家图片锡南·乌古兹，2020年百分之九十五是的（2+ 1健康）是的VGG16和VGG19架构3400张橄榄叶图片土耳其锡南·乌古兹，2020年百分之九十六是的（1+ 1健康）没有SSD架构1460橄榄叶图片土耳其马里奥·米利切维奇，2020年97.20%± 0.57%是的（1+ 1健康）没有VGG启发网络1000个图像克罗地亚Madallah Alruwaili等人，201999.11%± 0.75%是的（6+ 1健康）没有Alexnet架构2287橄榄叶图片-E.M. Raouhi，M.拉赫加Hrimech等人农业人工85¼¼ω1/1图12个。实验研究的总体方案。召回TpTPFFNð4Þ之后使用诸如准确度、损失和ROC曲线下面积（AUC）的指标进行评估图 15显示了使用优化算法分析模型结果的图表。2.4.9.4. F1评分。F1评分被设计为精确度或PPV和召回率或真阳性率（TPR）的几何平均值。从图15可以看出，CNN MobileNet模型提供了更好的结果。使用Early Stopping回调函数的最佳epoch数固定为100次迭代。因此，F1评分2PPV： TPRPPV-TPRð5Þ迭代的总数将进一步最小化损失图振荡。此外，扩增将显著延长实验的持续时间。该模型应该训练最佳的时期数，以减少过度拟合并增加神经网络的生成器。2.4.9.5. 损失配对交叉熵的不幸功使d通过描绘伴随的法线来缩放模型的90%效率1个宠物化能力。训练数据集部分预留用于模型验证-这涉及到评估模型的性能后，训练的时代对训练集和验证集的损失和准确性进行监控，以确定Loss ¼-output∑yi·logy^iþð1-yiÞ·logð1-y^iÞð6Þ模型开始过度拟合。使用Rmsprop optimiza，通过MobileNet模型在0.98的6种疾病类别的验证数据集上获得了精度值方面的最佳性能其中，Rey_i是模型产量中的标量值，Yi是相关目标值，产量大小是模型输出/结果中的标量质量的数量3. 结果使用适当的优化器实现模型，以找到准确的橄榄特征来预测特定疾病。使用增强技术对分类方法进行优化，以找到最适合特定疾病的模型。所述技术算法，Fig. 图15显示了仅与使用Adam、Adagrad、Rmsprop和SGD算法开发的模型相关的精度和损失值图。应用数据增强技术的训练和验证数据集的精度和损失值结果见表3。图16示出了使用Rmsprop算法的最佳模型的ROC曲线，其用包括健康类别的七种橄榄植物类别中的每一种的TPR（真阳性率）对FPR（假阳性率）绘制。分类报告中提到的结果提到，2类和4类在精度方面优于其他类图13岁 橄榄病数据集的不平衡分布。图14个。 橄榄病数据集的平衡分布。E.M. Raouhi，M.拉赫加Hrimech等人农业人工86图15个。 模型性能比较：Rmsprop。表3基于应用的优化算法的CNN模型的性能评估结果（10个时期）。优化CNN模型训练损失训练精度验证损失验证精度亚当ConvNet0,53940,94790,53990,8958Ef ficientNetB70,89080,68380,14180,8531InceptionV30.19910,90510,34650,9187MobileNet0.03271.0000,13850,9792DenseNet0.20380,9570,24040,9187VGG190.20480,86950,33910,9187ResNet500.46670,8340,39070,8969VGG160.27960,89410,43250,8531AdagradConvNet0.18090,92420,3050,8749Ef ficientNetB70.95781.0000,18990,1968InceptionV30.40501.0000,18850,9625MobileNet0.06641.0000,01590,9792DenseNet0.23700,98430,09460,9583VGG190.40840,968601240,8333ResNet500.51610,83400,50740,7875VGG160.40371.0000,14830875RMSPropConvNet0.29280,95980,27990,8969Ef ficientNetB70,53520,88720,59480,8749InceptionV30.21920,96520,19630,9375MobileNet0.02571.0000,01600,9843DenseNet0.22671.0000,16210,9792VGG190.02691.0000,13700,9583ResNet500.47520,84940,37950,8749VGG160.19080,95430,27180,8969SGDConvNet0.14790,99820,26610,8969Ef ficientNetB70,16010,93510,27140,8749InceptionV30.15340,99520,12440,9792MobileNet0.02411.0000,04350,9801DenseNet0.12281.0000,19370,9625VGG190.35000,88310,29360,8969ResNet500,18550,97070,27770,8312VGG160.25810,94600,24880,9405橄榄树病害的分类因此，这导致我们推断，除了从图像的质量和数量也有助于改善性能以及所使用的类的类型ROC曲线也清楚地表明，与Rmsprop优化算法相关的MobileNet模型提供了最佳结果。此外，获得的AUC证实了该组合的性能，更多细节将在以下讨论中提供4. 讨论首先，在表4中详细描述的结果表明Adam和Adagrad算法表现出最弱的性能，具有最大的平均绝对误差，分别为0.3346和0.2682，以及Rmsprop算法的最大迭代次数190（对于随机梯度，迭代次数固定为75CNN MobileNet模型在平均绝对误差和准确性方面表现出色结果还表明，求解器之间存在显著差异，例如Adam的算法仅在70次此外，RMSProp和Adagrad算法代表最佳MAE，分别为0.2071和0.2682的量级，迭代次数增加，RMSProp和Adagrad分别为190和143次迭代。在所研究的算法中，随机算法在收敛速度和MAE方面具有良好的性能，因此在移动电话上使用具有很大的兴趣。其次，据我们所知，这篇研究论文前所未有地解决了卷积神经网络层面的优化技术选择问题及其对后者性能的Thud，模拟中使用的CNN模型与使用E.M. Raouhi，M.拉赫加Hrimech等人农业人工87图十六岁使用Rmsprop的类ROC曲线。E.M. Raouhi，M.拉赫加Hrimech等人农业人工88表4所研究算法的性能比较算法迭代次数Mae张量函数亚当700,3346AdamOptimizerAdagrad1430,2682AdagradOptimizerRMSProp1900,2071RMS PropOptimizer随机75（固定）0,2263SGDRegressor最 优 优 化 算 法 Rmsprop 。 批 处 理 规 范 和 ReLU 是 另 一 个 CNN 的MobileNet的构建是为了支持分类、标识和分段。由于参数和层次的数量，在终端移动设备上运行深度网络的能力提升了用户体验，提供了移动应用在安全和能耗方面的优势和特点第三，比预训练模型表现更好的模型的增强最终取决于具有参数值的更多模拟同样，如果增加模拟和周期的数量此外，如果应用不同的超参数集和起始条件，则同一求解器的性能将发生变化。 因此，较大的学习率值往往会超过梯度值，使权重难以收敛到全局最小值。此外，学习率的小值使得全局最小值的进展非常缓慢，这可以在验证和训练损失中看到但是学习率的最优值导致全局最小值，这可以通过损失的稳定减少来可视化因此，如果要通过移动应用程序进行实时疾病识别研究，快速收敛会更合适，因为不同的对象会在对象的背景中带来一些影响，并使学习阶段变慢。那么，这次探索中涉及到的橄榄树的探索确实是有限的。 因此，目前的工作与研究不同（Foysal等人， 2019年，在多个层面。其中一些差异是所识别的疾病类型，使用的CNN架构以及数据的增加Altarawneh（2015）的作者试图确定的感染之一是橄榄孔雀斑，也进行了研究。使用本研究中提出的CNN模型，疾病准确率为95%。作者的工作获得了90.2%的准确率在这项研究中采用的损失函数的比较，除了编译时间，没有得到解决，不仅在这些调查，而且对其他植物物种的研究。在果实、叶片和树枝上发现的各种疾病也可以在这个主题中进行调查挑战在于能够收集不同地区这些植物病害的数据，特别是当它们发生时。由于某些感染仅在特定区域可见，因此获取这些照片可能很困难。因此，关于植物病害检测的每一项研究，特别是在该原始数据集中的每一项研究，都被认为是所提供的相关研究的有价值的案例（Kurmi等人，2020年）。在此基础上，进行了不同疾病类别的分类在不影响成功率的情况下增加类疾病数量的挑战因为同一种植物的病害可能有相似的症状。由于成功率的困难，在该领域进行的优化被认为是当橄榄树病害类别呈现的ROC曲线比简单的错误率提供更多关于学习质量的相关信息这在这种情况下是具体存在的，因为除了坏预测或分配的成本可能改变的时刻之外，就出现在每个类的级别处的图像的数量和质量而言，类是非常不平衡的最后，世界各地的一些研究人员正在使用深度学习技术进行研究，以识别植物疾病。最大的挑战之一是收集足够的数据。因此，在论文中共享数据集变得非常重要。因此，与植物病害相关的数据集的开发和公共可用性对于推进检测非常重要基于人工智能的系统，特别是机器学习，现有数据集的丰富性不言而喻。改进和优化农民的应用，目的是提高农业生产力以及作物产量低的农民的社会发展，同时也是为了适应未来可能影响农作物的变化，以减少寄生虫多样性和直接或间接的环境因素。5. 结论早期诊断农产品病害对农民采取必要的预防措施、降低成本具有重要意义此外，提取的油的质量和数量取决于水果因此，在橄榄不同生长阶段进行病害检测将在橄榄食品工业中发挥不可忽视的作用目前的文章旨在从摩洛哥不同地区的不同生长阶段收集橄榄疾病数据集（ODD），基于七个类别，其中六个是生病的，第七个是健康的。这里的分类方法的新颖性在于基于MobileNet模型架构的微调，该架构在标准CNN中优于其他八个竞争者，除了用四个优化器进行测试之外，其中Rmsprop被证明是最具性能的。该模型考虑了橄榄果实的质地特征和影响其有效性和效率的因素，并考虑了在叶、果和枝上传播的病害分类的挑战，对7种橄榄病害分类具有较高的精度尽管本文提出的方法在橄榄病的自动识别中取得了令人满意的结果，但其准确性和可靠性仍有待进一步的研究因此，今后的工作将侧重于：• 进一步开发油橄榄树病害数据集，建立基于无人机的油橄榄树病害智能诊断系统• 集成一个层进行图像分割，以提高系统精度。• 研究深度神经网络的其他架构，以提高橄榄疾病诊断系统的分类准确性、可靠性和鲁棒性。署名贡献表El Mehdi Raouhi：概念化，形式分析，软件，数据管理，实施