本文選題：蟲害檢測　切入點：光譜檢測技術(shù)　出處：《浙江大學(xué)》2017年博士論文

【摘要】：蟲害是農(nóng)業(yè)災(zāi)害頻繁爆發(fā)的主要成因之一,在早期發(fā)現(xiàn)并準確定位和識別害蟲,對其未來的發(fā)展趨勢做出評估,可提高施藥決策和綜合防治的針對性和準確性。在作物蟲害信息的獲取中,傳統(tǒng)的檢測方法不但耗時、費力,而且滯后性較強,很難滿足現(xiàn)代農(nóng)業(yè)的精準生產(chǎn)要求。因此,構(gòu)建高效、實時的自動化蟲害檢測方法來替代傳統(tǒng)手段,將有助于改變這一現(xiàn)狀。本文依托光譜技術(shù)和計算機視覺技術(shù)作為研究方法,從光譜和圖像數(shù)據(jù)特征分析的角度出發(fā),研究了農(nóng)業(yè)蟲害的自動化檢測方法,具體開展了以下4方面工作:(1)害蟲幼蟲隱蔽性強,直接檢測較為困難,故采用高光譜成像技術(shù)對健康和受幼蟲侵染的作物進行了檢測研究。針對光譜數(shù)據(jù)維度高、冗余性強的特點,提出一種�；∈枳跃幋a模型(StackedSparseAuto-Encoder,SSAE),實現(xiàn)了對不同蟲害侵染階段間稀疏性判別信息的高效表達。結(jié)合SSAE提出了一種基于Softmax函數(shù)的自適應(yīng)損失敏感算法,實現(xiàn)了對早期蟲害侵染的敏感性檢測。定義了 一種相對離散值指標(Relative Scatter Value,RSV),用于量化采用自適應(yīng)損失敏感算法前后光譜數(shù)據(jù)的類間和類內(nèi)分布差異,以直觀的方式驗證了自適應(yīng)損失敏感算法為數(shù)據(jù)表達所引入的線性可分特性。(2)采用計算機視覺技術(shù)對農(nóng)田內(nèi)害蟲成蟲的圖像定位進行了研究,提出了一種結(jié)合圖像顯著性分析和GrabCut分割的害蟲目標自動定位方法。利用害蟲目標區(qū)域和農(nóng)田背景在圖像全局層面的顏色和空間屬性差異,構(gòu)建了指示害蟲潛在區(qū)域的顯著性映射圖(Saliency Map),并通過閾值化Saliency Map提供GrabCut分割算法的初始區(qū)域,克服了該算法要求人工干預(yù)的缺點,實現(xiàn)了害蟲目標的自動定位。從定位準確性和執(zhí)行時間層面對算法進行優(yōu)化,將定位準確率提升至0.9以上,單幅圖像的平均處理時間維持在150 ms以內(nèi)。(3)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)對害蟲成蟲圖像的視覺分類進行了研究,并基于CNN重要的結(jié)構(gòu)參數(shù)和訓(xùn)練策略做出一定的優(yōu)化和改進。針對害蟲圖像目標所存在的種間相似性高、種內(nèi)變化性大、姿態(tài)變化豐富、易受作物遮擋等特點,從CNN的底層特征提取、中層特征規(guī)模、高層信息組織、分類器選擇以及模型訓(xùn)練技術(shù)方面,確定了適合農(nóng)業(yè)害蟲圖像識別的最優(yōu)模型參數(shù)。優(yōu)化后模型在包含14類稻田害蟲的圖像數(shù)據(jù)集上獲得0.883的識別準確率,相對傳統(tǒng)識別方法效果提升顯著。優(yōu)化后模型內(nèi)存需求和運行耗時分別降低至6.0 MB和0.7 ms,極大地加強了 CNN在害蟲檢測任務(wù)中的實際可應(yīng)用性。(4)針對害蟲圖像采集難度大、標注成本高而導(dǎo)致的數(shù)據(jù)集規(guī)模小、類別分布不均勻問題,研究了結(jié)合特征遷移用于提升視覺識別模型性能的方法。以CNN作為基準研究框架,將由大規(guī)模廣義數(shù)據(jù)集預(yù)訓(xùn)練而來的圖像特征遷移至特定害蟲圖像數(shù)據(jù)集構(gòu)建模型初始化參數(shù),實現(xiàn)了相對常規(guī)隨機初始化方法的顯著性能提升。從模型架構(gòu)層面,對比分析了在隨機初始化和特征遷移條件下,不同CNN模型在害蟲圖像識別中的性能差異。設(shè)計CNN特征逐層遷移后參數(shù)固定/可調(diào)的對照實驗,提出了底層特征可直接遷移,中間連續(xù)層特征不能單獨遷移,高層特征不適合遷移的策略。通過隨機改變訓(xùn)練數(shù)據(jù)集大小和分布特性,驗證了特征遷移對于數(shù)據(jù)規(guī)模和類別分布不均勻的相對不敏感特性。通過可視化模型訓(xùn)練/測試損失曲線、底層特征、高層表達以及表達后數(shù)據(jù)的分布特性,對比并闡明了特征遷移相對隨機初始化方法優(yōu)勢明顯的主要原因。
[Abstract]:Insect pest is one of the main causes of agricultural disasters broke out frequently, in early detection and accurate positioning and identification of pests, assess its future development trend, can improve the application decision and comprehensive prevention and control of pertinence and accuracy. In the acquisition of crop pest information, the traditional detection methods are time-consuming, laborious, but also behind the strong it is difficult to meet the requirements of production, the precision of modern agriculture. Therefore, constructing an efficient, automated pest real time detection method to replace the traditional means, will help to change this situation. On the basis of spectral technology and computer vision technology as research methods, from the analysis of spectral image data and feature point of view, research on automation of detection the specific method of agricultural pests, carried out the following 4 aspects: (1) insect larvae concealment, direct detection is difficult, so the use of hyperspectral imaging technology for health and The larvae infected crops were measured. According to the spectral data of high dimension, high redundant characteristics, proposed a stack of sparse self encoding model (StackedSparseAuto-Encoder, SSAE), the high expression of discriminant information of different pest infection stage. Among the sparse combination of SSAE presents an adaptive loss sensitive algorithm Softmax based on the function, the sensitivity of detection for early pest infection. The definition of a relatively discrete value index (Relative Scatter Value, RSV), the adaptive algorithm is used to quantify the loss of sensitive data before and after the light spectrum between class and within class distribution, an intuitive way to verify the adaptive algorithm for the linear expression of loss sensitive data the characteristics can be divided. (2) using computer vision technology image positioning of the farmland pests were studied, proposes a combination of image saliency Automatic positioning method and GrabCut analysis of pest target segmentation. The use of pest target area and farmland in the global level background difference image color and spatial attributes, construct the significant map indicating potential PEST region (Saliency Map), and Saliency Map provided by thresholding initial region GrabCut segmentation algorithm, the algorithm overcomes the requirements the shortcomings of manual intervention, realizes the automatic positioning of the target. The pest algorithm is optimized from the positioning accuracy and execution time in positioning accuracy rate increased to more than 0.9, average single image processing time maintained at less than 150 ms. (3) combined with convolutional neural network (Convolutional Neural Network, CNN) on visual classification adult pest images are studied, and based on CNN important structural parameters and training strategies to optimize and improve the existing target pest images. The species similarity is high in change of attitude, variety, characteristics of crops susceptible to occlusion, extracted from the underlying features of CNN, characteristics of middle scale, high-level information organization, classifier selection and model training techniques, to determine the optimal parameters for image recognition model of agricultural pests. The optimized model in image the data contains 14 kinds of insect pests in paddy fields set achieves 0.883 recognition accuracy, compared with the traditional identification methods to enhance the effect significantly. The optimized model memory requirement and operation time is reduced to 6 MB and 0.7 MS respectively, greatly strengthened the actual CNN in pest detection task can be applied. (4) on the basis of pest image acquisition the difficulty, marking the result of the high cost of the data set is small, the problem of the uneven distribution of categories, the research combined with the feature of migration method for improving performance of vision recognition model. Using CNN as the base of the frame Frame model initialization parameters by generalized large-scale data sets and the image features of pre training migration to specific pest image data sets, to achieve significant performance relative to the conventional random initialization method to enhance the model. From the architecture level, a comparative analysis on the random initialization and migration characteristics under the condition of different performance characteristics of CNN model in pest image the design feature recognition. CNN layer after migration parameters fixed / adjustable control experiments, the underlying characteristics of direct migration, middle layer continuous features alone can not transfer, not suitable for the high-level feature migration strategy. By randomly changing the training data set size and distribution characteristics for the transfer of relatively sensitive data the size and type of uneven distribution is verified. Through visualization model training / test loss curve, low-level features, high-level expression and expression of data points The main reasons for the obvious advantages of the relative random initialization method of feature migration are compared and illustrated.

【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：S433

【相似文獻】

相關(guān)期刊論文 前10條

1 魯敏;王洪坤;;計算機視覺技術(shù)在農(nóng)業(yè)中的應(yīng)用[J];農(nóng)機化研究;2008年06期

2 李永奎;劉冬;;計算機視覺技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用[J];農(nóng)業(yè)科技與裝備;2011年06期

3 鄧繼忠,張?zhí)⿴X,羅錫文;計算機視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測中的應(yīng)用[J];廣東農(nóng)機;2000年02期

4 陳 健,馬大國;計算機視覺技術(shù)在木材加工中的應(yīng)用[J];林業(yè)機械與木工設(shè)備;2002年04期

5 傅雷鳴,薛金林;計算機視覺技術(shù)及其在農(nóng)業(yè)機械中的研究與應(yīng)用[J];中國農(nóng)機化;2004年06期

6 劉中合;李邦明;王瑞雪;劉賢喜;劉濤;;計算機視覺技術(shù)在農(nóng)業(yè)機械中的應(yīng)用[J];農(nóng)業(yè)裝備與車輛工程;2005年12期

7 袁道軍;劉安國;劉志雄;張方方;;利用計算機視覺技術(shù)進行作物生長監(jiān)測的研究進展[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2007年02期

8 朱從容;;計算機視覺技術(shù)在水產(chǎn)養(yǎng)殖中的應(yīng)用[J];浙江海洋學(xué)院學(xué)報(自然科學(xué)版);2008年04期

9 王勃;徐靜;;計算機視覺技術(shù)在蘋果葉片營養(yǎng)診斷上的應(yīng)用[J];農(nóng)機化研究;2008年03期

10 李朝東;崔國賢;盛暢;謝寧;李望;;計算機視覺技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用[J];農(nóng)機化研究;2009年12期

相關(guān)會議論文 前8條

1 趙冬;雷雨成;;計算機視覺技術(shù)在工程領(lǐng)域的應(yīng)用[A];2000年上海市系統(tǒng)仿真學(xué)會學(xué)術(shù)年會論文專輯[C];2000年

2 袁麗君;;計算機視覺技術(shù)在高速公路監(jiān)控系統(tǒng)中的應(yīng)用研究[A];《IT時代周刊》2013年度論文集[C];2013年

3 李長纓;滕光輝;趙春江;喬曉軍;武聰玲;;利用計算機視覺技術(shù)實現(xiàn)對溫室植物生長的無損監(jiān)測[A];《中國設(shè)施農(nóng)業(yè)可持續(xù)發(fā)展》論壇論文資料匯編[C];2010年

4 戴曙光;穆平安;金fE宏;;計算機視覺技術(shù)在車燈零件檢測中的應(yīng)用研究[A];首屆信息獲取與處理學(xué)術(shù)會議論文集[C];2003年

5 穆平安;戴曙光;金暄宏;施華;;基于計算機視覺技術(shù)的穩(wěn)定器性能的自動檢測[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

6 陳駿;孫喜太;吳鴻雁;仇毓東;張麗華;丁義濤;;基于計算機視覺技術(shù)的大鼠肝內(nèi)血管三維重建[A];第十二屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2008年

7 楊艷;滕光輝;李保明;施正香;馬亮;;基于計算機視覺技術(shù)估算種豬體重的應(yīng)用研究初探[A];中國數(shù)字農(nóng)業(yè)與農(nóng)村信息化學(xué)術(shù)研究研討會論文集[C];2005年

8 朱奎義;程寶福;;計算機視覺技術(shù)在線路檢測中的應(yīng)用[A];擴大鐵路對外開放、確保重點物資運輸——中國科協(xié)2005年學(xué)術(shù)年會鐵道分會場暨中國鐵道學(xué)會學(xué)術(shù)年會和粵海通道運營管理學(xué)術(shù)研討會論文集[C];2005年

相關(guān)重要報紙文章 前2條

1 本報記者　卞晨光;計算機視覺技術(shù)獲重大進展[N];科技日報;2006年

2 本報記者 鞏崢 通訊員 谷春寶;國際文體項目落戶“煤鄉(xiāng)”[N];北京日報;2014年

相關(guān)博士學(xué)位論文 前7條

1 潘新;基于計算機視覺技術(shù)的草地牧草數(shù)字化系統(tǒng)研究[D];中國農(nóng)業(yè)科學(xué)院;2014年

2 許儒航;基于計算機視覺技術(shù)的建設(shè)項目監(jiān)管機理及方法研究[D];華北電力大學(xué);2015年

3 劉子毅;基于圖譜特征分析的農(nóng)業(yè)蟲害檢測方法研究[D];浙江大學(xué);2017年

4 岳曉峰;計算機視覺技術(shù)及其在工業(yè)中應(yīng)用的研究[D];吉林大學(xué);2006年

5 王彪;計算機視覺技術(shù)在低空突防與精確打擊中的應(yīng)用研究[D];南京航空航天大學(xué);2005年

6 張彥娥;基于計算機視覺技術(shù)溫室作物長勢診斷機理與方法研究[D];中國農(nóng)業(yè)大學(xué);2005年

7 辜嘉;基于計算機視覺技術(shù)的心血管圖像建模與分析[D];東南大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 田岳;基于低秩表示的病蟲害檢測方法的研究[D];北京工業(yè)大學(xué);2015年

2 楊龍;利用計算機視覺技術(shù)控制紅茶發(fā)酵的方法研究[D];華中農(nóng)業(yè)大學(xué);2013年

3 田銀;基于計算機視覺技術(shù)的灘羊胴體分級評價[D];寧夏大學(xué);2016年

4 樸松林;計算機視覺技術(shù)在液體全自動灌裝機上的研究[D];吉林大學(xué);2011年

5 蔣麗華;基于計算機視覺技術(shù)的葉綠素含量檢測系統(tǒng)[D];蘇州大學(xué);2009年

6 萬新民;基于近紅外光譜分析技術(shù)和計算機視覺技術(shù)的豬肉品質(zhì)檢測的研究[D];江蘇大學(xué);2010年

7 岳衛(wèi)宏;計算機視覺技術(shù)在齒輪測量中的應(yīng)用研究[D];武漢理工大學(xué);2005年

8 霍丙全;基于計算機視覺技術(shù)的人參等級評定的研究[D];吉林大學(xué);2005年

9 王成琳;基于計算機視覺技術(shù)的熏烤肉安全檢測方法研究[D];齊齊哈爾大學(xué);2013年

10 馮甲一;基于計算機視覺技術(shù)的葉類蔬菜新鮮度檢測分級研究[D];南京農(nóng)業(yè)大學(xué);2012年

，

本文編號：1666105