14、基于深度学习的番茄叶部病害识别模型

基于深度学习的番茄叶部病害识别模型

1、研究思路

为实现番茄叶病特征的自动 提取，并提高识别准确率，提出一种基于深度学习的番茄叶病识别模型。该模型基于卷积神经网络对番茄叶部病害特征进行自动提取，获得高维特征后，采用 PCA 降维算法去除冗余特征；从增大类间距离并减小类内距离的角度改进了 softmax 分类器，提高了识别准确率。

2、卷积神经网络

层 作用 卷积层 对输 入数据进行特征提取。 池化层 对输入的特征进行进一步 的提取，可以简化网络的复杂度，又能保留主要特 征。 全连接层 是将卷积和池化提取的局 部特征重新通过权值矩阵全卷积为完整的特征，因 为应用到了所有局部特征，所以叫全连接。输出层的 作用就是最后对特征进行分类识别，输出结果。 输出层 作用就是最后对特征进行分类识别，输出结果。

3、PCA 算法

主要思想是对数据进行线性变换，将任意数据 变换到新的坐标系中，保留数据中对方差影响最大 的特征。为了得到包含最大差异性的主成分方向，需要计算数据矩阵的协方差，然后得到协方差矩阵特 征向量，选择特征值最大的 K 个特征所对应的的特 征向量组成的矩阵。这样就可以将数据装换到新空 间，实现降维。

4、Softmax 损失函数及其改进

Softmax 函数用于解决多分类问题，是 Log