没有合适的资源?快使用搜索试试~ 我知道了~
深度学习模型用于植物寄生线虫的自动识别
农业中的人工智能7(2023)1用于植物寄生线虫自动识别的深度学习模型Nabila Husna Shabrinaa, Rukin Aranta Likaa,Siwi IndartibaUniversity of Computer Engineering,Universitas Multimedia Nusantara,Jl. Scientia Boulevard,Tangerang 15111,IndonesiabJl. Gadjah Mada大学农学院植物保护系。Flora,Bulaksumur,日惹55581,印度尼西亚a r t i c l e i nf o文章历史记录:2022年7月29日收到2022年10月21日收到修订版,2022年2023年1月4日上线关键词:增广分类虚构深度学习线虫优化a b s t r a c t植物寄生线虫引起各种疾病,这些疾病对受感染的植物来说可能是致命的它对农业造成损失,如作物歉收和作物质量差建立准确的线虫分类系统对害虫的识别和防治至关重要深度学习分类技术可以帮助加速纳米粒子识别,因为它可以直接从图像执行任务在本研究中,四种最先进的深度学习模型(ResNet 101 v2,CoAtNet-0,Ef fi cientNetV2B 0和Effi cientNetV 2 M)在显微图像的植物寄生线虫分类中进行了评估这些模型使用三种不同的优化器(Adam,SGD,dan RMSProp)和几种图像变换的数据增强(如图像缩放,模糊,噪声添加,亮度和对比度调整)进行训练。训练模型的性能各不相同。关于测试准确率,使用RMSProp和亮度增强的Effi cientNetV2B0和EfficientNetV2M给出了97.94%的最佳结果,然而,Effi cientNetV2M的整体性能更优越,平均类别准确率为98.66%,F1得分为97.99%,98.26%的平均精确度和97.94%的平均召回率。版权所有© 2023作者。出版社:Elsevier B.V.我代表科爱通信公司,公司这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍线虫是具有非常丰富和多样物种的生物之一(Abad等人, 2008年)。从所鉴定的26,000种线虫中,有超过4100种植物寄生线虫(Jones等人, 2013年)。植物寄生线虫是引起广泛损害和大量作物产量损失的微生物(De和Elsen,2007)。它们将继续威胁农业生产,因为它们被发现并感染各种植物,包括粮食作物、园艺和地产。据估计,寄生线虫造成的全球经济作物损失可达800亿美元。在印度尼西亚,自从发现马铃薯上最具破坏性的植物寄生线虫Globodera rostochiensis(Indarti等人,2004年),休耕其分布变得更广泛的马铃薯种植区。在水稻、大蒜和马铃薯中也发现了植物寄生线虫的新物种(Ajri等人,2021;Indarti等人,2018; Mutala'liah等人,2018年)。植物寄生线虫是一种微小的生命形式,大小和形状各异。由于它们的测量量很小,属的分类也很复杂,因此很难区分在特定测试中显示的是哪些种类。目前的策略可能是一种传统的策略,既耗时又无法出错.改进技术,*通讯作者。电子邮件地址:nabila. umn.ac.id(新罕布什尔州)Shabrina)。植物寄生线虫的观察和分类是害虫识别和防治的基础因此,需要开发能够快速可靠地识别线虫的基于自动图像的方法在基于图像的分类中实施深度学习技术成为加快线虫识别过程的替代方案,因为它适合检测有区别的线虫特征和处理大型标本。 各种深度学习分类技术是容易获得的(例如,Keras和TensorFlow),并且易于实现。 深度学习技术也被证明可以通过提供足够的数据以高精度识别害虫和疾病,例如叶子中的害虫和疾病(Li et al., 2021年)。将基于迁移学习的卷积神经网络(CNN)应用于多作物叶片病害图像分类。这项拟议的研究已经分别实现了98.40%和95.71%的葡萄和番茄叶病分类准确度(Paymode和Malode,2022)。将深度学习VGG-16预训练网络模型的数据增强和扩展应用于印度尼西亚芒果叶图像的多害虫分类从这些训练中获得的总体准确度在验证数据集上为73%,在测试数据上为76%(Kusrini等人,2020年)。构建了改进的CNN,用于苹果叶片病害的实时检测使用26,377幅苹果叶片病害图像的数据集,INAR-SSD(SSDwithInceptionmoduleandRainbowconcatenation)的实现给出了检测结果。https://doi.org/10.1016/j.aiia.2022.12.0022589-7217/© 2023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/新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工278. 80%的平均利润(Jia ng etal.),2019)。还观察了几种优化技术对CNN用于橄榄病害分类的性能的相关影响 发现在没有数据增强的实验中的最高比率为92.59%(Raouhi等人, 2022年)。有几项工作使用深度学习实现线虫分类Xception模型在线虫的各个阶段(幼虫和成虫)的数据集上用不同的初始条件进行训练研究发现,与随机权重和无权重初始化相比,ImageNet上具有预训练权重的模型表现最好。然而,由于硬件限制,作者无法训练更好但更重的模型,并且数据集中的图像缺乏变化(Uhlemann等人, 2020年)。另一项研究的重点是增加线虫数据集对公众的可用性,同时通过在数据集上测试多个最先进的深度学习模型来提供物种识别基准该数据集由2769个线虫样本组成,人工分类为19个类。从该基准中发现,ResNet家族模型在准确性方面具有最高性能(Li等人,2021年)。一个新提出的CNN模型,定义为NemaNet,用于识别巴西大豆作物线虫的新NemaNet模型的准确率达到96.99%,而最佳倍数为98.03%(Abade et al., 2022年)。以前的研究不包括印度尼西亚常见的许多其他线虫物种。 这项研究提供了包含这些物种的数据,并评估了在印度尼西亚使用的最先进的深度学习模型的性能。本文比较了四种最先进的深度学习模型(ResNet 101v2,CoAtNet-0,Effi cientNetV 2B 0和Effi cientNetV 2 M),这些模型在印度尼西亚土壤中常见的线虫数据集物种上进行了训练。采用数据增强来确定图像变换是否可以进一步提高测试模型的准确性还观察了几个优化器函数对性能结果的影响本文的贡献如下:• 为印度尼西亚常见的线虫物种构建额外的图像数据集• 为实际的分类系统实现提供模型基准比较• 实施4种最先进的深度学习技术(ResNet 101 v2、CoAtNet-0、EfficientNetV 2B 0和Effi cientNetV 2 M),用于植物寄生线虫的多类分类• 评估4种最先进的深度学习模型在数据增强和优化器功能方面• 设计并开发一个用于植物寄生线虫分类的本文的结构安排如下。第2介绍材料和方法,从数据集开始,然后描述实现的深度学习架构。第3介绍了详细的结果和讨论,比较了4种用于植物寄生线虫多类分类的最先进的深度学习模型。最后,在第4中,本文总结了模型比较和未来工作的一些观点2. 材料和方法2.1. 拟议研究图中的示意图。 1显示了多纲植物寄生线虫分类的概述工作流程。首先,收集植物寄生线虫数据集并将其分类为几个类。 数据预处理应用于数据集,使用边缘检测,裁剪,并转换为灰度。在单次增强中应用图像去噪、加噪、图像模糊、增亮和对比度来增强数据集的大小。然后将这些照片用作训练模型使用几个增强和优化功能组合。记录结果并根据度量性能进行分析然后将最佳性能部署为基于Web的系统。2.2. 线虫数据集2.2.1. 数据收集所有线虫都是从印度尼西亚受感染的农业植物中收集的从植物根部和根际土壤中分离线虫,然后进行进一步观察。首先,利用改良的Whitehead托盘法提取土壤样品中的线虫将来自根样品的线虫提取物切成1 mm的小块;此时将其放置在由改变的桶栓住的尼龙筛上的通道纸上,允许水加入根测试。将游到水中的线虫收集在管上,以帮助两种形态感知。在室温下浸渍该方法与Whitehead平板法(Southey,1986)相关联,并进行了调整。在进一步观察之前,杀死线虫,并用冷却的福尔马林乙酸(FAA)固定(Southey,1986)。最后用光学显微镜OlympusCX 31(放大倍数40-1000)观察各属线虫的形态特征。图像是用连接显微镜和笔记本电脑的光学数据集由957个线虫样本组成,分为11类。该数据集代表了印度尼西亚土壤中常见的线虫表1显示了数据集中线虫属分布的一些统计数据从表中可以看出,属的分布是多样的.少于65幅图像的属占总属数的45%这是由于线虫的分布区域有限,且只有一种特定的宿主可以发育线虫。图图2显示了数据集中的线虫样本图像。2.2.2. 数据预处理然后用用于先前工作的类似方法预处理获得的样品(Lu等人,2021年)。基于边缘检测来裁剪样本,以试图均衡线虫样本存在于图像中的区域这也通过减少空白空间来减少冗余由于分类仅基于样本的形态学特征,因此将样本转换为灰度然后将所有图像的大小调整为224 × 224,以适应所有测试模型的输入大小 数据预处理步骤如图所示。 3.2.2.3. 数据扩充过程数据增强过程通常通过应用图像操作技术或合成地创建新数据来增加数据集中的图像多样性。 这个过程旨在提高泛化能力,防止模型过度拟合 训 练 数 据 集 , 并 带 来 更 好 的性 能 ( Shorten 和 Khoshgoftaar ,2019)。 在数据增强过程中应用的常见操纵技术包括通过平移、旋转、平移、噪声添加、模糊、亮度变化、对比度和其他颜色空间变换的图像变换。 这将增加模型需要学习的每个类的区别特征,以避免过度拟合。图像处理技术需要根据样品的性质进行选择,因为某些图像变换可能会导致不反映真实样品性质的上下文错误数据。通过正确的增广技术,可以提高模型性能,特别是在类分布不平衡的数据集然而,增强过程增加了训练模型所需的时间,因为它增加了数据集的大小图像变换技术也影响模型精度,因为一些技术降低了模型精度(Shijie等人, 2017年)。本研究应用了在线增强技术(onlineaugmenta- tion)来增加数据多样性。所使用的图像处理技术包括水平和垂直方向的缩放、添加噪声、模糊、亮度变化和对比度变化一些操作新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工3Fig. 1. 研究工作目前。没有选择诸如平移和旋转之类的技术,因为担心增强结果可能隐藏样本的重要区别特征,这可能降低模型的准确性。以下列表描述了应用的图像增强。1. 图像随机地应用于数据集中的图像,并且随机地选择随机IP类型,无论是不应用随机IP、应用水平随机IP、应用垂直随机IP还是应用两个随机2. 噪声添加是通过将高斯白噪声添加到图像样本中来执行的,其平均值为0,标准差为0.15. 这是随机应用的,每个样本的概率为50%表1数据集中的线虫属分布属的样品圆线虫属3拟蟋蟀属103螺旋体属135半轮藻属6赫氏菌属130棘齿属151根结线虫属211短体线虫属116穿孔属12毛孔菌属30剑线虫属60总9573. 图像模糊通过应用具有{3 × 3}的核尺寸和1的标准偏差值的高斯滤波器来执行这是随机应用的,每个样本的概率为50%4. 亮度的变化是通过亮度参数从0到0.3的随机值增加来应用的5. 对比度的变化是通过增加对比度来应用的,对比度参数为0到3的随机值然后使用数据集及其增强的变化来训练模型。在评估模型性能时,数据集以80:10:10的比例分为训练集、验证集和测试集总而言之,数据集由957个线虫样本组成,具有11个分类,分为766,96和95分别用于训练,验证请注意,增强过程仅在数据集的训练集2.3. 深度学习架构线虫分类使用几种最先进的模型 在图像分 类问题方 面进行,即ResNetV2 , CoAtNet 和 EfficientNetV2 。 模 型 族 是 基 于 它 们 在ImageNet Benchmark 上 的图 像 分 类 性能来选择的( Keras , 2021;Stojnic等人, 2022年)。 基于硬件限制和实验中使用的数据集大小,所应用的模型的特定变体是ResNet 101 V2、CoAtNet-0、Ef fi cientNetV 2B0和Ef fi cientNetV 2 M。新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工4(a) Criconema(b)Criconemoides(c) 螺旋体属(d)Hemicycliophora(e)Hirsmaniella(f)Hoplolaimus属(g)Meloidogyne(h)属Pratylenchus(i)属Radopholus(j)Trichodorus(k)剑线虫属图二、本研究中使用的植物寄生线虫样本图3. 数据预处理流程图。2.3.1. 残差网络原始的残差网络(ResNet)架构是基于VGG架构的CNN,通过添加跳过一个或多个层的快捷连接,在其构建块中采用残差学习。这说明了当使用更深的模型时VGG架构所具有的降级问题(He等人,2016年a)。ResNetV2是ResNet架构的改进版本,通过利用标识映射作为跳过连接和添加后激活来提高每个残差块上的数据传播速度这简化新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工5图四、ResNet101V2网络架构。与基线ResNet相比,它减少了优化损失,并改进了模型的正则化 基于网络内部的层数,ResNet模型的几种变体是ResNetV 2 -50、ResNetV 2-101和ResNetV 2 -152 2(He等人,2016年b)。本文植入的ResNet模型网络架构如图所示。 四、2.3.2. 卷积和注意力网络卷积和注意力网络(CoAtNet)架构是一系列混合模型,它结合了CNN和Transformer架构,以实现更好的泛化和更大的容量。具有自注意机制的Transformer架构具有更高的模型容量,可以适应更大和更多样化的数据集,同时,卷积架构具有更好的泛化能力和更快的收敛速度。该架构由5个阶段(1个卷积层,2个MBConv层和2个Transformer层)组成,根据模型变体具有不同的属性。CoAtNet模型的主要变化包括5个基本变化(CoAtNet-0至CoAtNet-4)和3个具有不同块参数的变化(CoAtNet-5至CoAtNet-7)(Dai等人, 2021年)。 CoAtNet网络架构如图所示。五、2.3.3. Ef ficientNet基线EfficientNet架构基于一种新的缩放方法,通过使用简单的复合系数缩放模型的宽度、深度和分辨率来增加模型容量(Tan和Le,2019)。然后使用神经架构搜索(NAS)来使用MBConv块设计新的基线模型,并使用复合系数对其进行缩放以创建Ef fcientNet(Elsken等人,2019年)。这个新的模型系列在ImageNet数据集上实现了最先进的性能,同时具有更小的模型和更快的收敛速度(Tan和Le,2019)。这一系列的模型,见图6。Effi cientNetV2B0网络架构。通过采用融合MBConv进一步改进在网络中使用MBConv和Fused-MBConv的特殊组合,提高了训练速度,减小了模型大小。新的和改进的模型被称为Ef ficientNetV 2,与其他最先进的模型相比,它具有特定的训练方法,可以实现5×-11×更快的收敛速度,尺寸最多可以小6倍(Tan和Le,2021)。本研究实现的Ef fi cientNetV2为B0和M版本。EficcientNetV 2B 0在准确性和FLOP方面有更好的权衡,而Ef ficcientNetV2 M减少了参数和FLOP,但与V1-B7版本相比,在训练和推理方面运行得更快(Tan和Le,2021)。本研究中应用的Ef fi cientNetV2B0和Ef ficientNetV2M网络架构如图所示。 6和图 7、分别2.3.4. 建议的分类网络每个模型的权重都是从基于ImageNet数据集的预训练模型中保留的,但其ImageNet分类头层被删除。然后,每个模型的特征提取向量是图五、CoAtNet网络架构。新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工6¼¼¼J(SoftMax),批量大小为32,以及相同的优化器参数(Adam和RMSprop的学习率为0.001,SGD为0.01; SGD和RMSprop的动量为0;Adam的β值为0.9-0.999),输入大小为224×224×3,以及用于多标签分类问题的稀疏交叉熵损失函数。训练时间设定为100。2.3.6.评估指标在这个实验中采用了几个评价指标测试准确度用于评估模型在测试集中所有图像F1-score度量是一种基于精确度调和平均值的分类评价度量,召回率通常用于数据集中类分布不平衡的情况。加权F1-score度量用于评估不平衡数据集。记录平均精确度和召回率以确保数据完整性。测试准确率、F1得分、平均精确率和召回率的(1)-(4)(Alsaggaf等人, 2020年)。见图7。Effi cientNetV2M网络架构。测试准确度TPTNFPFN精密TP公司简介TPð1Þð2Þ召回1/4TP和1/3 FN连接到具有Soft-Max激活的密集层以执行分类,其中类计数根据所使用的数据集进行调整,其为11个属分类。所提出的分类层如图所示。八、F1评分2x精密度x回忆度精确度和召回ð4Þ2.3.5. 优化技术在训练过程中使用了三种不同的优化器来确定每种类型模型的最佳优化器,以及架构或数据集多样性是否会这也在超参数情况下最小化某些模型的不公平优势其中TP假阴性。 在该实验中应用的另一个评估度量是平均类别准确度(Diker等人,2019年; Tozaçar等人,2021年)。它用于评估每个类别的准确性,这可以表明模型是否学习了每个类别与其他模型相比的区别特征公式在Eq. (五)满足特定模型-数据集组合的确切要求平均分类准确度1C 1nii^^^可以实现更好的性能。优化器中使用的实验是Adam、SGD和RMSprop。亚当被选中是基于1/1i j¼1与其他优化方法相比,它具有良好的性能,因为它在实践中往往工作得很好(Kingma和Ba,2014)。选择SGD其中c是类别的数量(线虫属的11个类别),ni是第i个类别中的图像的数量,ai是图像表示梯度下降优化器,并且经常用于在一些深度学习研究中产生最先进的结果 SGD还产生更好的泛化性能(Zhou等人,2020年)。选择RMSprop是因为它适合于优化非平稳和非凸问题(Sun等人, 2020年)。为了保持一致性,每个模型将使用相同的超参数值进行训练,包括密集层的相同激活图八、 建议的模型分类层。第i类中的第j2.3.7. 系统实现每 个 模 型 的 代 码 实 现 都 是 使 用 Keras ( Chollet , 2015 ) 和TensorFlow库实现的,该库提供了在ImageNet数据集上具有预训练权重的完整构建模型。 模型训练和推断将在Google Colab笔记本电脑(专业版)上执行,该笔记本电脑的最低规格为NVIDIA P100或T4作为GPU,内存高达25 GB,CPU Xeon处理器@2.3GHz(基于可用性)。3. 结果和讨论3.1. 增强模型性能图9显示了使用图像增强方法对毛口线虫属的样本数据进行增强。每个模型都使用特定的超参数和优化器在使用图像变换技术增强的数据集上进行训练。该数据集用于衡量印度尼西亚土壤中然后将测试数据集上的模型性能与没有增强的数据集上的模型基本性能进行比较表2显示了使用扩增的ResNet101V2模型性能。“%测试”列是测试数据集上模型分类结果测试数据集表示模型以前从未见过ResNet101v2模型使用新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工7图第九章 从图像增强中得到的Trichodorus属标本的样本数据。增强数据集导致不同的性能变化。使用SGD优化器在没有任何增强的情况下训练时获得了93.81%的最高准确率,而使用RMSprop优化器在所有模型组合中获得了最低的准确率,准确率为18.56%。图图10 a显示了与正常数据集相比,增强对ResNet101V2%测试准确度的影响。使用Adam Optimizer,Gaussian Blur Augmentation倾向于提高精度。使用SGD Optimizer实现的增广方法导致测试准确度从13.4%下降到43.4%,而应用RMSProp Optimizer将测试准确度从3.09%增加到14.43%。使用增强数据集训练的CoAtNet-0模型导致性能小幅提高和不同的性能下降,如表3所示。使用SGD优化器的正常数据集获得了96.91%的最高准确度,而使用RMSprop优化器的对比度增强数据集获得了70.10%的最低准确度。增强对CoAtNet-0%测试准确度的影响如图所示。 10b. 使用亚当优化器,翻转和高斯噪声降低了精度,而另一个增强往往会提高精度1%至5.12%。使用SGD优化器实现的增强方法导致%测试准确度降低5.15%至13.4%。应用亮度和高斯模糊的RMSProp优化器分别将%测试准确度提高了5.15%和4.12%,而其他增强降低了%测试准确度。表2结果来自ResNetV 2用增强训练的Effi cientNetV2B0模型大多降低了性能,如表4所示。使用RMSprop优化器进行亮度增强的最高精度为97.94%,而使用SGD作为优化器进行对比增强的最低精度为65.98%增强对Ef ficientNetV2B0%测试准确度的影响见图。 10 c. 当模型应用亮度增强的RMSProp时,测试精度提高了1.03%另一种方法导致%测试准确度从4.12%下降到30.93%。用增强训练的Effi cientNetV2M模型大多降低了性能,如表5所示。采用亮度增强和RMSprop优化的模型精度最高可达97.94%使用SGD作为优化器的噪声增强数据集获得了76.29%的最低准确度增强对Ef ficientNetV2M %测试准确度的影响如图10d所示。其结果与图2中的Ef fi cientNetV2B0相似。 10 ℃,但范围较低。当模型应用亮度增强的RMSProp时,检验准确率增加了6.19%另一种方法倾向于在%测试准确度方面给出较低的结果,范围为1.03%至21.65%。对数据集应用增强导致了更多样化的性能变化。值得注意的性能改进是ResNet 101 v2和带有RMSprop优化器的CoAtNet-0模型以及带有Adam优化器的CoAtNet-0。然而,应该注意的是,与其他优化器相比, ResNet101v2与RMSprop的基本性 能非常糟糕( RMSprop为18.56%,Adam为88.66%, SGD为93.81%)。最佳的测试精度是通过带有RMSprop优化器的Ef fi cientNetV2B0和Ef fi cientNetV2M模型实现的,该模型在具有亮度增强的数据集上进行训练。 该组合达到97.94%的准确率。CoAtNet系列的平均测试精度差异低于其他模型,表明对增强数据的泛化能力高于其他系列模型。基于所获得的数据,可以观察到,在使用特定图像操纵技术作为增强方法与将确定其性能的模型优化器的组合之间存在强关系增强方法、优化器和参数的选择对于实现模型的最佳结果至关重要。3.2. 增强方法对模型性能的影响3.2.1. 翻转增强从收集到的数据来看,12个模型中有11个在TIPIP数据集上训练的模型显示出模型准确性的下降这可能是由于相对较小的数据集大小导致数据具有类似的方向,站点分布所有模型族都有多达一千万个参数。因此,该模型不仅基于每个属的判别特征执行分类,而且基于每个分类之间的相似定向执行添加不同方向的数据a会导致模型无法根据方向对数据进行分类,从而降低性能。这表明模型过于适应数据的环境方面,例如数据采集方法,而不是每个属的区别特征。使用Adam opti- mizer观察ResNet 101 v2的性能,属剑线虫类的分类层激活的可视化当在没有增强的数据集(正常数据集)上训练时,可视化显示了Genus规范中常见的形状门。然而,当它被训练时,层激活区域并不像正常数据集那样清晰,如图所示。十一岁这表明,根据模型,属的重要特征都是以这种特殊的方式排列在数据集中,剑线虫属数据确实具有一些方向,如正常数据集模型的激活属性中所述优化器数据扩充%测试准确度平均分类准确度F1评分平均精度平均召回亚当正常88.66%0.76620.8820.89550.8866翻转77.32%0.77150.77430.80480.7732亮度87.63%0.90970.87580.88770.8763对比81.44%0.79960.81510.82940.8144高斯模糊89.69%0.81480.89480.90510.8969高斯噪声86.60%0.86970.86410.87270.866SGD正常百分之九十三点八一0.93290.93750.93980.9381翻转69.07%0.48080.68630.70650.6907亮度80.41%0.68130.79290.79250.8041对比62.89%0.57680.63110.64850.6289高斯模糊50.52%0.47740.51390.55080.5052高斯噪声68.04%0.7520.68480.7660.6804RMSProp正常18.56%0.09090.05810.03440.1856翻转21.65%0.10.07710.04690.2165亮度32.99%0.25290.29720.3260.3299对比22.68%0.10.08460.0520.2268高斯模糊24.74%0.10260.10630.06770.2474新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工8(c)第(1)款 高效NetV2B0(d)其他事项 高效NetV2M(一)ResNet101V2(b)第(1)款 CoAtNet-0图10. 增强方法对%测试准确度的影响。只有ResNet101v2与RMSprop优化器在性能改进方面获得了更高的然而,准确性的提高可以归因于使用RMSprop作为ResNet 101 v2模型的优化器而不是增强本身的影响,因为该模型-优化器组合的所有其他结果导致不满意的准确性。3.2.2. 增亮应用亮度增强导致每个模型优化器组合的性能不同。这种增强导致了具有A数据优化器的模型的计算速度的微小变化(精度变化±1%),以及具有RMSprop优化器的模型的增加(+5.15%至+14.43%)。尽管如此,它显示了SGD模型的减少表3结果来自CoAtNet-0模型。表4结果来自Effi cientNetV2B0模型。优化器数据扩充%测试准确度平均分类准确度F1评分平均精度平均召回优化器数据扩充%测试准确度平均分类准确度F1评分平均精度平均召回亚当正常85.60%0.6940.85760.85470.866亚当正常百分之九十四点八五0.97090.94860.95070.9485翻转83.51%0.80720.84180.86370.8351翻转百分之七十八点三五0.73350.77270.78330.7835亮度86.60%0.88930.86390.88230.866亮度91.75%0.83150.91370.92010.9175对比87.63%0.79870.87980.8970.8763对比87.63%0.82120.87930.89790.8763高斯模糊百分之九十点七二0.92440.90560.91470.9072高斯模糊72.16%0.66570.71780.80440.7216高斯噪声84.54%0.81860.84550.87390.8454高斯噪声80.41%0.73380.80060.81840.8041SGD正常百分之九十六点九一0.97470.96910.96970.9691SGD正常百分之九十六点九一0.97550.96910.97240.9691翻转百分之九十点七二0.82090.90070.90470.9072翻转79.38%0.82030.79410.80170.7938亮度86.60%0.88050.86640.87930.866亮度81.44%0.7530.81140.84060.8144对比91.75%0.9390.91620.92550.9175对比65.98%0.59180.65760.69460.6598高斯模糊89.69%0.89240.89650.90780.8969高斯模糊70.10%0.62660.69830.70850.701高斯噪声83.51%0.82860.84280.88080.8351高斯噪声74.23%0.74820.73550.75120.7423新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工9RMSProp正常85.57%0.78990.85620.86610.8557RMSProp正常百分之九十六点九一0.97440.96890.97310.9691翻转75.26%0.80270.75330.76760.7526翻转84.54%0.86620.84210.8680.8454亮度百分之九十点七二0.90140.90290.91580.9072亮度百分之九十七点九四0.89230.97470.97160.9794对比70.10%0.76250.70210.71860.701对比92.78%0.9520.92720.92930.9278高斯模糊89.69%0.83990.88890.89190.8969高斯模糊92.78%0.81020.91680.92560.9278高斯噪声84.54%0.86630.84530.85490.8454高斯噪声81.44%0.87480.80140.87630.8144新罕布什尔Shabrina,R.A.Lika和S.因达尔蒂农业人工10表5结果来自Effi cientNetV2M模型。优化器数据扩充%测试准确度平均分类准确度F1评分平均精度平均召回亚当正常92.78%0.93970.92890.93510.9278翻转82.47%0.7120.81750.81640.8247亮度91.75%0.92470.92220.9320.9175对比88.66%0.80120.88520.90080.8866高斯模糊91.75%0.88670.91430.92490.9175高斯噪声92.78%0.94590.92750.93420.9278SGD正常89.69%0.87040.89530.90490.8969翻转76.29%0.69790.76130.78070.7629亮度69.07%0.57590.68910.71640.6907对比68.04%0.56610.67130.70810.6804高斯模糊69.07%0.6220.67640.70860.6907高斯噪声67.01%0.62780.66920.70150.6701RMSProp正常91.75%0.91780.91830.93090.9175翻转87.63%0.8750.86680.88430.8763亮度百分之九十七点九四0.98610.97990.98260.9794对比91.75%0.91070.91590.92320.9175高斯模糊91.75%0.91360.91680.92170.9175高斯噪声84.54%0.83190.8410.87870.8454优化器(-10.31%至-20.62%)。与其他增强方法相比,亮度增强倾向于提高模型性能或降低较低的精度。增加是由于样本之间的数据集的3.2.3. 对比增强在数据集上使用对比度增强导致模型准确性降低。在12个观测数据中,只有2个数据的准确性高于正常数据,即使用RMSprop的ResNet101 v2和使用Adam优化器的CoAtNet-0基于观察,过多地增加对比度将导致上下文不正确的Nematodes图像,即,无法从真实世界照片中获得的线虫图像。对比度的增加也会增加标本中一些在属间不具区分性的特征的清晰度这可能会导致模型学习一个Genus的不相关特征。3.2.4. 高斯模糊增强图像模糊与高斯模糊,预计将帮助模型了解一般形态特征的每一个属的线虫。高斯模糊的增强导致一些模型优化器组合具有更高的准确性。基于观察,数据集中的图像模糊过程产生模型所需的变化,以研究目标类别线虫的特征这可能是由于在数据集中见图11。Resnet101V2模型上分类层激活可视化与“剑线虫属“分类的比较增强过程,这会影响模糊的强度和所使用的高斯滤波器内核的大小3.2.5. 高斯噪声增强对数据 集应用高斯 噪声增强会 导致准确性 降低。只有 在使用RMSprop优化器的ResNet101v2上才能提高准确性。与其他类型的增强相比,准确性的降低更为显著这可能是由于噪声的添加覆盖了每个线虫类的区分特征,以及从增强过程中选择参数在使用分辨率(224 ×224)的情况下,添加噪声被认为对提高模型的精度无效。3.2.6. 优化程序对模型性能的影响应该注意的是,在这项研究中,模型之间的每个优化器使用相同的超参数,Adam和RMSprop的学习率为0.001,SGD为0.01; SGD和RMSprop的动量值为0; Adam的 beta值为0.9-0.999; Adam和RMSprop的参数值的选择基于每个优化器的一般用法,其中一些是TensorFlowli-chart中的默认参数值使用不同的参数值会影响模型从数据集中学习基本特征通过对数据的观察,得出了优化器的选择与所用模型之间的关系3.2.7. Adam优化器使用Adam优化器的模型性能导致所有模型的平均精度相当高亚当优化器被认为是优秀的,因为它可以在不调整优化器参数的情况下获得令人满意的结果。3.2.8. SGD优化器使用SGD优化器的模型性能会导致不同的精度。在CoAtNet模型结果中,SGD优化器在数据集上产生的准确度比其他优化器高,而无需增强。然而,使用SGD优化器的模型在使用增强数据集时会显着降低准确性,例如在ResNet101v2和Ef ficientNetv2M模型中。这大概是因为所使用的参数与增强数据不匹配。使用增强数据时性能的下降表明SGD优化器对数据集的变化更敏感。SGD优化器需要对其参数进行更精细的调整,以根据所使用的模型和数据集3.2.9. RMSProp优化器使 用 RMSprop 优 化 器 可 以 为 每 个 模 型 产 生 不 同 的 精 度 。 在ResNet101v2模型中,获得的结果较差。然而,Ef fi cientNetV2M模型获得了令人满意的结果,并在数据集中具有最高的准确度之一。观察结果表明,这是由所使用的参数值引起的。在最初的Effi cientNetV2研究中,使用RMSprop优化器实现了最先进的性能,但参数不同(Tan和Le,2021)。在训练ResNet101v2模型时,其训练和验证损失值显著波动。根据Verma等人的研究, 2021),尽管存在不同的问题,但使用较小的学习率值0.
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- VMP技术解析:Handle块优化与壳模板初始化
- C++ Primer 第四版更新:现代编程风格与标准库
- 计算机系统基础实验:缓冲区溢出攻击(Lab3)
- 中国结算网上业务平台:证券登记操作详解与常见问题
- FPGA驱动的五子棋博弈系统:加速与创新娱乐体验
- 多旋翼飞行器定点位置控制器设计实验
- 基于流量预测与潮汐效应的动态载频优化策略
- SQL练习:查询分析与高级操作
- 海底数据中心散热优化:从MATLAB到动态模拟
- 移动应用作业:MyDiaryBook - Google Material Design 日记APP
- Linux提权技术详解:从内核漏洞到Sudo配置错误
- 93分钟快速入门 LaTeX:从入门到实践
- 5G测试新挑战与罗德与施瓦茨解决方案
- EAS系统性能优化与故障诊断指南
- Java并发编程:JUC核心概念解析与应用
- 数据结构实验报告:基于不同存储结构的线性表和树实现
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功