基于深度學習的葡萄葉片病害識別方法研究

發(fā)布時間：2020-07-20 22:04

【摘要】：中國葡萄酒產(chǎn)業(yè)發(fā)展迅猛,葡萄酒產(chǎn)量和銷售量穩(wěn)步增長。釀酒和鮮食葡萄的大規(guī)模、高密度和集群化種植模式給傳染性病害的防治帶來極大挑戰(zhàn)。傳統(tǒng)的侵染性試驗或依靠經(jīng)驗診斷病害的方法,周期長、主觀性強,且盲目噴灑農(nóng)藥,易造成農(nóng)藥殘留和病蟲抗藥性問題。隨著技術(shù)進步,人工智能、計算機視覺和圖像處理技術(shù)被越來越多地應用在農(nóng)業(yè)領(lǐng)域,特別在作物病害識別領(lǐng)域。葡萄植株染病時,生理結(jié)構(gòu)和形態(tài)特征均會發(fā)生變化,如形變、褪色、腐爛等,故將葡萄葉片病害圖像作為對象,利用計算機視覺技術(shù)和深度神經(jīng)網(wǎng)絡(luò)進行病害種類識別的研究,對農(nóng)產(chǎn)品質(zhì)量提升和農(nóng)業(yè)生態(tài)環(huán)境安全具有重要意義。本文針對自然光照下葡萄葉片6種常見病害的識別和診斷方法進行研究,主要包括以下內(nèi)容:(1)對采集的葡萄病害葉片圖像進行數(shù)據(jù)增強處理,在不改變研究對象的屬性和類別的前提下,采用鏡像翻轉(zhuǎn)、隨機裁剪、添加顏色擾動和噪聲等方法增加額外副本拓充樣本數(shù)量,解決數(shù)據(jù)集樣本數(shù)量不足的問題,并根據(jù)不同識別方法制作A、B、C三類數(shù)據(jù)集。(2)葡萄病害的半自動識別:從包含復雜背景的葉片原圖中手動截取病斑的外界矩形區(qū)域作為實驗樣本。首先根據(jù)6種葡萄病害在顏色、紋理等方面差異提取28種特征,通過特征篩選出20種特征,經(jīng)過PCA降維實現(xiàn)樣本有效特征化,分別測試22種傳統(tǒng)分類器,根據(jù)各種特征對預測結(jié)果的貢獻率篩選5種特征用于識別。實驗結(jié)果表明,傳統(tǒng)分類識別方法中的Bagged Trees對基于色度的彩色紋理特征的葡萄病害圖像有很好的識別效果,6種病害的平均識別精度為86.67%,尤其對于白粉病具有較高的識別率和魯棒性,識別率為92.94%。(3)葡萄病害的全自動識別:對于包含復雜背景完整染病葉片樣本,本文使用Faster R-CNN模型先檢測圖像中的葉片,在檢出的葉片區(qū)域再進行病斑檢測,根據(jù)用外接矩形框出葉片上病斑區(qū)域,最后將該矩形圖像送入CNNs進行病害類型識別。檢測病斑時仍采用Faster R-CNN。本文的這種策略可以有效避免復雜背景因素和無效區(qū)域干擾造成的誤檢測與誤識別。本文對傳統(tǒng)機器視覺分類模型中的Bagged Trees進行了測試,與前文中人工截取病斑樣本的識別方法作對比。此外,為了在多種卷積神經(jīng)網(wǎng)絡(luò)中選擇最優(yōu)的網(wǎng)絡(luò),本文測試了AlexNet、VGG-16、VGG-19、GoogLe Net、ResNet50等網(wǎng)絡(luò)。實驗結(jié)果表明,傳統(tǒng)分類技術(shù)在包含復雜背景的病斑樣本進行分類時,性能出現(xiàn)顯著下降,正確識別率為73.99%。在5種被測的網(wǎng)絡(luò)模型中,VGG-16表現(xiàn)出卓越的識別性能,對6種葡萄病害的正確識別率為94.48%。該方法對炭疽病、灰霉病、褐斑病、白粉病、黑痘病的識別效果較好,正確識別率均高于90%,其中白粉病的識別率達99.62%。
【學位授予單位】：甘肅農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：S436.631;TP181
【圖文】：

擬合函數(shù),線性回歸