發(fā)布時間：2021-08-21 17:18

　　農(nóng)作物病蟲害不僅嚴重制約了農(nóng)作物的產(chǎn)量,而且影響了人們的生活品質,因此,對農(nóng)作物病蟲害的及時診斷是一項十分重要的工作。但是,農(nóng)作物病蟲害的診斷仍然以人工觀察為主,這種傳統(tǒng)方法不適應農(nóng)業(yè)智能化的發(fā)展需求,因此,隨著深度學習的發(fā)展,越來越多的研究人員開始關注農(nóng)作物病蟲害智能識別方法的研究。本文以常見的3類水稻病害為研究對象,提出基于語義分割的水稻病害檢測方法,主要研究內(nèi)容包括:數(shù)據(jù)集建立、數(shù)據(jù)分析與網(wǎng)絡選型、水稻病害檢測模型的訓練與改進。1.三種常見水稻病害數(shù)據(jù)集的建立。目前,在農(nóng)業(yè)病蟲害檢測領域,樣本圖像的獲取比較困難,且圖像標注需要花費大量的人力物力,因此,缺少可用于訓練的數(shù)據(jù)。為增加樣本的多樣性,本文對收集到的樣本以圖像變換的方式進行擴充,并人工標注,制作語義分割數(shù)據(jù)集。2.數(shù)據(jù)分析與網(wǎng)絡選型。本文收集到的病害樣本圖像規(guī)模較小,為減小模型過擬合的風險,宜采用輕量級語義分割網(wǎng)絡進行訓練。通過對常用的強監(jiān)督語義分割模型進行性能對比分析,并結合本研究使用的數(shù)據(jù)的特點,選擇U-Net作為本文的水稻病害檢測網(wǎng)絡。3.基于改進U-Net的水稻病害檢測方法的研究。首先使用自制數(shù)據(jù)集,基于U-Net... 

【文章來源】：西華大學四川省

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

植物病蟲

4但是網(wǎng)絡深度增加會帶來梯度消失，妨礙網(wǎng)絡收斂。2015年，何凱明等[15]提出了深度殘差網(wǎng)絡ResNet，有效地解決了隨著網(wǎng)絡深度增加導致的梯度消失問題，在ILSVRC2015比賽上獲得了冠軍。研究者們通過對卷積神經(jīng)網(wǎng)絡的不斷改進，使得特征提取能力更強，具有更好的擬合能力和泛化能力，提高了檢測精度，如圖1.2[16]所示。卷積神經(jīng)網(wǎng)絡的發(fā)展為圖像識別奠定了堅實的基礎，語義分割以及目標檢測網(wǎng)絡的特征提取骨架大多來源于卷積神經(jīng)網(wǎng)絡。（2）基于深度學習的圖像語義分割網(wǎng)絡傳統(tǒng)的圖像分割方法是基于人工提取的特征進行分割，這種方法分割效果不理想，尤其在復雜環(huán)境下的分割性能較差[17]。卷積神經(jīng)網(wǎng)絡的發(fā)展為圖像語義分割奠定了堅實的基�；谏疃葘W習的圖像語義分割方法，以經(jīng)典的圖像分類網(wǎng)絡作為特征提取網(wǎng)絡進行圖像特征的自動學習，極大地提升了語義分割的精確度[18]。2014年，LongJ等[19]提出了全卷積網(wǎng)絡（FullyConvolutionalNetworks，F(xiàn)CN）。將傳統(tǒng)CNN（比如GoogleNet）中的全連接層轉化成一個個的卷積層，故稱為全卷積網(wǎng)絡。FCN對圖像進行像素級的分類，從而初步解決了語義級別的圖像分割問題，是利用深度學習進行圖像語義分割的開山之作。2014年以來，谷歌團隊相繼提出Deeplab系列[20-23]語義分割網(wǎng)絡。在網(wǎng)絡進行特征提取時，特征圖分辨率的下降是由步長為2的降采樣造成的。為解決空間信息丟失的問題，Deeplab系列采用膨脹卷積代替標準卷積[24]。圖1.2在ImageNet數(shù)據(jù)集上卷積神經(jīng)網(wǎng)絡結構對目標檢測精度的影響Fig.1.2EffectofstructureofCNNonaccuracyofobjectdetectiononImageNetdataset

72016年，SrdjanS[42]等人利用深度學習的方法識別植物病害，訓練好模型后進行微調(diào)，能夠區(qū)分健康的葉片和13種不同疾病的葉片，對不同葉片的識別精度在91%至98%之間。2017年，黃雙萍[43]等人進行水稻穗瘟病自動檢測方法的研究，基于Inception基本模塊構建深度卷積神經(jīng)網(wǎng)絡GoogLeNet[14]主體網(wǎng)絡，利用自制數(shù)據(jù)集進行訓練。檢測圖像如圖1.4所示。2018年，F(xiàn)erentinos[44]等人基于健康和患病植物葉子的簡單圖像，訓練和評估幾種卷積神經(jīng)網(wǎng)絡（ConvolutionalNeuralNetworks，CNN）結構，檢測9種不同的番茄病蟲害，該實驗中VggNet[13]的識別率最高，達到了99.53%。2018年，張建華[45]等人，在VGG-16網(wǎng)絡模型基礎上，優(yōu)化全連接層層數(shù)，并用6標簽SoftMax分類器替換原有VGG-16網(wǎng)絡中的SoftMax分類器，提出基于改進VGG-16卷積神經(jīng)網(wǎng)絡的病害識別模型，平均識別準確率達到89.51%�；谏疃葘W習的研究方法是農(nóng)作物病蟲害識別領域的發(fā)展趨勢。從以上研究現(xiàn)狀可以看出，國內(nèi)外相關研究人員在農(nóng)作物病蟲害圖像識別領域做了很多研究工作，研究內(nèi)容主要集中在特征提娶分類識別與作物病害圖像分割等領域。但是，在作物病害圖像識別領域，病害圖像的分割以傳統(tǒng)方法為主，這種方法不僅分割精度不高，而且不能實現(xiàn)對病斑類別進行語義標注；目前，病蟲害識別的研究大多處于實驗室研究階段，識別圖像的背景簡單（如圖1.3、1.4所示），難以適應實際的農(nóng)業(yè)生產(chǎn)需要；基于卷積神經(jīng)網(wǎng)絡的病害識別方法，實質上是以圖片分類的方式實現(xiàn)病害識別，該方法對復雜背景的圖像進行直接分類的精度不高，且無法進行端到端的識別，不能直觀地展現(xiàn)病斑識別效果。綜上所述，本文采用基于深度學習的語義分割方法對病害進行識別，以復雜背景下的水稻病害圖像為研?

【參考文獻】：
期刊論文
[1]基于深度學習的場景分割算法研究綜述[J]. 張蕊,李錦濤.  計算機研究與發(fā)展. 2020(04)
[2]大田作物病害識別研究圖像數(shù)據(jù)集[J]. 陳雷,袁媛.  中國科學數(shù)據(jù)(中英文網(wǎng)絡版). 2019(04)
[3]基于深度學習的圖像語義分割研究進展[J]. 李新葉,宋維.  科學技術與工程. 2019(33)
[4]基于深度學習的圖像語義分割技術研究進展[J]. 梁新宇,羅晨,權冀川,肖鎧鴻,高偉嘉.  計算機工程與應用. 2020(02)
[5]基于深度網(wǎng)絡的圖像語義分割綜述[J]. 羅會蘭,張云.  電子學報. 2019(10)
[6]基于卷積神經(jīng)網(wǎng)絡的水稻病害圖像識別研究[J]. 邱靖,劉繼榮,曹志勇,李俊杰,楊毅.  云南農(nóng)業(yè)大學學報(自然科學). 2019(05)
[7]面向復雜環(huán)境的圖像語義分割方法綜述[J]. 王嫣然,陳清亮,吳俊君.  計算機科學. 2019(09)
[8]基于深度學習的圖像語義分割技術研究綜述[J]. 鄺輝宇,吳俊君.  計算機工程與應用. 2019(19)
[9]基于深度卷積神經(jīng)網(wǎng)絡的水稻病害圖像識別研究[J]. 譚云蘭,歐陽春娟,李龍,廖婷,湯鵬杰.  井岡山大學學報(自然科學版). 2019(02)
[10]基于深度學習的農(nóng)作物病害檢測[J]. 魏超,范自柱,張泓,王松.  江蘇大學學報(自然科學版). 2019(02)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡的圖像語義分割研究[D]. 李承珊.中國科學院大學(中國科學院光電技術研究所) 2019
[2]語義分割網(wǎng)絡在視網(wǎng)膜血管分割任務的應用[D]. 張冠宏.北京郵電大學 2019
[3]基于圖像處理的水稻葉部病害快速識別方法研究[D]. 關瑩.東北農(nóng)業(yè)大學 2018
[4]基于深度學習的農(nóng)作物病害識別[D]. 李凱雨.河南農(nóng)業(yè)大學 2018
[5]基于支持向量機的水稻稻瘟病識別技術研究[D]. 趙開才.哈爾濱工程大學 2012
[6]基于圖像的水稻病害識別方法的研究[D]. 管澤鑫.浙江理工大學 2010



本文編號：3356019