為實(shí)時(shí)診斷番茄葉片水分脅迫程度,提出一種葉片水分脅迫程度的診斷方法,該診斷方法包括2部分:葉片分割和水分脅迫程度分類(lèi)。采用以ResNet101為特征提取卷積網(wǎng)絡(luò)的Mask R-CNN網(wǎng)絡(luò)對(duì)背景遮擋的番茄葉片進(jìn)行實(shí)例分割通過(guò)遷移學(xué)習(xí)將Mask R-CNN在COCO數(shù)據(jù)集上預(yù)訓(xùn)練得到的權(quán)重用于番茄葉片的實(shí)例分割,保留原卷積網(wǎng)絡(luò)的訓(xùn)練參數(shù),只調(diào)整全連接層。利用卷積網(wǎng)絡(luò)提取的特征,可將番茄葉片分割視為區(qū)分葉片與背景的一個(gè)二分類(lèi)問(wèn)題,以此來(lái)分割受到不同水分脅迫的番茄葉片圖像。利用微調(diào)后的DenseNet169圖像分類(lèi)模型進(jìn)行葉片水分脅迫程度分類(lèi),通過(guò)遷移學(xué)習(xí)將DenseNet169在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練得到的權(quán)重用于番茄葉片水分脅迫程度的分類(lèi)保持DenseNet169卷積層的參數(shù)不變,只訓(xùn)練全連接層并對(duì)原DenseNet169全連接層進(jìn)行了修改,將分類(lèi)數(shù)量從1 000修改為3。試驗(yàn)共采集特征明顯的無(wú)水分脅迫、中度脅迫和重度脅迫3類(lèi)溫室番茄葉片圖像共2 000幅圖像,建立數(shù)據(jù)集,并進(jìn)行模型訓(xùn)練與測(cè)試。試驗(yàn)結(jié)果表明,訓(xùn)練后的Mask R-CNN葉片實(shí)例分割模型在測(cè)試集上對(duì)于單葉片和多葉片的... 

【文章來(lái)源】：農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020,51(S1)北大核心

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

番茄葉片圖像采集試驗(yàn)場(chǎng)景圖

Mask R CNN[7]網(wǎng)絡(luò)2017年由KAIMING提出，其具體實(shí)現(xiàn)過(guò)程是采用Faster R CNN[14]的方法進(jìn)行目標(biāo)檢測(cè)，再用全卷積神經(jīng)網(wǎng)絡(luò)(Fully convolutional networks,FCN)[15]進(jìn)行分割。首先采用Res Net101[16]得到特征圖，再通過(guò)區(qū)域建議網(wǎng)絡(luò)(Region proposal network,RPN)得到檢測(cè)邊界框。之后使用ROI Align進(jìn)行特征對(duì)齊，然后對(duì)每一個(gè)特征對(duì)齊后的感興趣區(qū)域使用FCN來(lái)預(yù)測(cè)目標(biāo)的類(lèi)別，最終得到實(shí)例分割結(jié)果。Mask R CNN是Faster R CNN擴(kuò)展而來(lái)，將Faster R CNN中ROI Pool改為ROI Align，并在與邊界框識(shí)別并行的地方增加一個(gè)預(yù)測(cè)分支，來(lái)預(yù)測(cè)每一個(gè)感興趣區(qū)域的分割掩膜。本文通過(guò)遷移學(xué)習(xí)將Mask R CNN在COCO數(shù)據(jù)集上預(yù)訓(xùn)練得到的權(quán)重用于番茄葉片的實(shí)例分割，保留原卷積網(wǎng)絡(luò)的訓(xùn)練參數(shù)，只調(diào)整全連接層。利用卷積網(wǎng)絡(luò)提取的特征，可將番茄葉片分割視為區(qū)分葉片與背景的一個(gè)二分類(lèi)問(wèn)題(1屬于葉片，0屬于背景)。Mask R CNN網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

Mask R ?CNN分割網(wǎng)絡(luò)結(jié)構(gòu)

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)技術(shù)的圖片文字提取技術(shù)的研究[J]. 蔣良衛(wèi),黃玉柱,鄧芙蓉.  信息系統(tǒng)工程. 2020(03)
[2]基于深度學(xué)習(xí)的大豆生長(zhǎng)期葉片缺素癥狀檢測(cè)方法[J]. 熊俊濤,戴森鑫,區(qū)炯洪,林筱蕓,黃瓊海,楊振剛.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(01)
[3]基于Mask R-CNN的葡萄葉片實(shí)例分割[J]. 喬虹,馮全,趙兵,王書(shū)志.  林業(yè)機(jī)械與木工設(shè)備. 2019(10)
[4]基于K-means聚類(lèi)算法的草莓灌溉策略研究[J]. 李莉,王宏康,吳勇,陳士旺,王海華,SIGRIMIS N A.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(01)
[5]基于改進(jìn)AlexNet的廣域復(fù)雜環(huán)境下遮擋獼猴桃目標(biāo)識(shí)別[J]. 穆龍濤,高宗斌,崔永杰,李凱,劉浩洲,傅隆生.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(10)
[6]基于基質(zhì)含水率的作物蒸騰量估算與預(yù)測(cè)模型研究[J]. 陳士旺,李莉,楊成飛,李文軍,孟繁佳.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(S1)
[7]基于無(wú)人機(jī)熱紅外遙感的冬小麥水分脅迫研究[J]. 姚志華,陳俊英,張智韜,邊江,魏廣飛,許崇豪,譚丞軒.  節(jié)水灌溉. 2019(03)
[8]水分對(duì)設(shè)施番茄果實(shí)發(fā)育和產(chǎn)量的影響[J]. 岳霆,楊平,鞏法江,陳昱利,畢海濱.  農(nóng)業(yè)科技通訊. 2017(07)
[9]不同生育階段土壤含水率對(duì)番茄果實(shí)維生素C含量的影響[J]. 劉杰,陳思,周振江,胡田田.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(08)
[10]計(jì)算機(jī)視覺(jué)在作物水分虧缺診斷中的應(yīng)用進(jìn)展[J]. 勞東青,李發(fā)永.  塔里木大學(xué)學(xué)報(bào). 2014(04)

碩士論文
[1]土壤干旱脅迫對(duì)番茄根系生長(zhǎng)、氣孔特性及保護(hù)酶活性的影響[D]. 劉朝霞.南京信息工程大學(xué) 2016



本文編號(hào)：3067466