發(fā)布時(shí)間：2021-08-21 17:18

　　農(nóng)作物病蟲(chóng)害不僅嚴(yán)重制約了農(nóng)作物的產(chǎn)量,而且影響了人們的生活品質(zhì),因此,對(duì)農(nóng)作物病蟲(chóng)害的及時(shí)診斷是一項(xiàng)十分重要的工作。但是,農(nóng)作物病蟲(chóng)害的診斷仍然以人工觀察為主,這種傳統(tǒng)方法不適應(yīng)農(nóng)業(yè)智能化的發(fā)展需求,因此,隨著深度學(xué)習(xí)的發(fā)展,越來(lái)越多的研究人員開(kāi)始關(guān)注農(nóng)作物病蟲(chóng)害智能識(shí)別方法的研究。本文以常見(jiàn)的3類(lèi)水稻病害為研究對(duì)象,提出基于語(yǔ)義分割的水稻病害檢測(cè)方法,主要研究?jī)?nèi)容包括:數(shù)據(jù)集建立、數(shù)據(jù)分析與網(wǎng)絡(luò)選型、水稻病害檢測(cè)模型的訓(xùn)練與改進(jìn)。1.三種常見(jiàn)水稻病害數(shù)據(jù)集的建立。目前,在農(nóng)業(yè)病蟲(chóng)害檢測(cè)領(lǐng)域,樣本圖像的獲取比較困難,且圖像標(biāo)注需要花費(fèi)大量的人力物力,因此,缺少可用于訓(xùn)練的數(shù)據(jù)。為增加樣本的多樣性,本文對(duì)收集到的樣本以圖像變換的方式進(jìn)行擴(kuò)充,并人工標(biāo)注,制作語(yǔ)義分割數(shù)據(jù)集。2.數(shù)據(jù)分析與網(wǎng)絡(luò)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(guò)擬合的風(fēng)險(xiǎn),宜采用輕量級(jí)語(yǔ)義分割網(wǎng)絡(luò)進(jìn)行訓(xùn)練。通過(guò)對(duì)常用的強(qiáng)監(jiān)督語(yǔ)義分割模型進(jìn)行性能對(duì)比分析,并結(jié)合本研究使用的數(shù)據(jù)的特點(diǎn),選擇U-Net作為本文的水稻病害檢測(cè)網(wǎng)絡(luò)。3.基于改進(jìn)U-Net的水稻病害檢測(cè)方法的研究。首先使用自制數(shù)據(jù)集,基于U-Net... 

【文章來(lái)源】：西華大學(xué)四川省

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

植物病蟲(chóng)

4但是網(wǎng)絡(luò)深度增加會(huì)帶來(lái)梯度消失，妨礙網(wǎng)絡(luò)收斂。2015年，何凱明等[15]提出了深度殘差網(wǎng)絡(luò)ResNet，有效地解決了隨著網(wǎng)絡(luò)深度增加導(dǎo)致的梯度消失問(wèn)題，在ILSVRC2015比賽上獲得了冠軍。研究者們通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的不斷改進(jìn)，使得特征提取能力更強(qiáng)，具有更好的擬合能力和泛化能力，提高了檢測(cè)精度，如圖1.2[16]所示。卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展為圖像識(shí)別奠定了堅(jiān)實(shí)的基礎(chǔ)，語(yǔ)義分割以及目標(biāo)檢測(cè)網(wǎng)絡(luò)的特征提取骨架大多來(lái)源于卷積神經(jīng)網(wǎng)絡(luò)。（2）基于深度學(xué)習(xí)的圖像語(yǔ)義分割網(wǎng)絡(luò)傳統(tǒng)的圖像分割方法是基于人工提取的特征進(jìn)行分割，這種方法分割效果不理想，尤其在復(fù)雜環(huán)境下的分割性能較差[17]。卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展為圖像語(yǔ)義分割奠定了堅(jiān)實(shí)的基�；谏疃葘W(xué)習(xí)的圖像語(yǔ)義分割方法，以經(jīng)典的圖像分類(lèi)網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)進(jìn)行圖像特征的自動(dòng)學(xué)習(xí)，極大地提升了語(yǔ)義分割的精確度[18]。2014年，LongJ等[19]提出了全卷積網(wǎng)絡(luò)（FullyConvolutionalNetworks，F(xiàn)CN）。將傳統(tǒng)CNN（比如GoogleNet）中的全連接層轉(zhuǎn)化成一個(gè)個(gè)的卷積層，故稱(chēng)為全卷積網(wǎng)絡(luò)。FCN對(duì)圖像進(jìn)行像素級(jí)的分類(lèi)，從而初步解決了語(yǔ)義級(jí)別的圖像分割問(wèn)題，是利用深度學(xué)習(xí)進(jìn)行圖像語(yǔ)義分割的開(kāi)山之作。2014年以來(lái)，谷歌團(tuán)隊(duì)相繼提出Deeplab系列[20-23]語(yǔ)義分割網(wǎng)絡(luò)。在網(wǎng)絡(luò)進(jìn)行特征提取時(shí)，特征圖分辨率的下降是由步長(zhǎng)為2的降采樣造成的。為解決空間信息丟失的問(wèn)題，Deeplab系列采用膨脹卷積代替標(biāo)準(zhǔn)卷積[24]。圖1.2在ImageNet數(shù)據(jù)集上卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)目標(biāo)檢測(cè)精度的影響Fig.1.2EffectofstructureofCNNonaccuracyofobjectdetectiononImageNetdataset

72016年，SrdjanS[42]等人利用深度學(xué)習(xí)的方法識(shí)別植物病害，訓(xùn)練好模型后進(jìn)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(duì)不同葉片的識(shí)別精度在91%至98%之間。2017年，黃雙萍[43]等人進(jìn)行水稻穗瘟病自動(dòng)檢測(cè)方法的研究，基于Inception基本模塊構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)GoogLeNet[14]主體網(wǎng)絡(luò)，利用自制數(shù)據(jù)集進(jìn)行訓(xùn)練。檢測(cè)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(jiǎn)單圖像，訓(xùn)練和評(píng)估幾種卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）結(jié)構(gòu)，檢測(cè)9種不同的番茄病蟲(chóng)害，該實(shí)驗(yàn)中VggNet[13]的識(shí)別率最高，達(dá)到了99.53%。2018年，張建華[45]等人，在VGG-16網(wǎng)絡(luò)模型基礎(chǔ)上，優(yōu)化全連接層層數(shù)，并用6標(biāo)簽SoftMax分類(lèi)器替換原有VGG-16網(wǎng)絡(luò)中的SoftMax分類(lèi)器，提出基于改進(jìn)VGG-16卷積神經(jīng)網(wǎng)絡(luò)的病害識(shí)別模型，平均識(shí)別準(zhǔn)確率達(dá)到89.51%�；谏疃葘W(xué)習(xí)的研究方法是農(nóng)作物病蟲(chóng)害識(shí)別領(lǐng)域的發(fā)展趨勢(shì)。從以上研究現(xiàn)狀可以看出，國(guó)內(nèi)外相關(guān)研究人員在農(nóng)作物病蟲(chóng)害圖像識(shí)別領(lǐng)域做了很多研究工作，研究?jī)?nèi)容主要集中在特征提娶分類(lèi)識(shí)別與作物病害圖像分割等領(lǐng)域。但是，在作物病害圖像識(shí)別領(lǐng)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(shí)現(xiàn)對(duì)病斑類(lèi)別進(jìn)行語(yǔ)義標(biāo)注；目前，病蟲(chóng)害識(shí)別的研究大多處于實(shí)驗(yàn)室研究階段，識(shí)別圖像的背景簡(jiǎn)單（如圖1.3、1.4所示），難以適應(yīng)實(shí)際的農(nóng)業(yè)生產(chǎn)需要；基于卷積神經(jīng)網(wǎng)絡(luò)的病害識(shí)別方法，實(shí)質(zhì)上是以圖片分類(lèi)的方式實(shí)現(xiàn)病害識(shí)別，該方法對(duì)復(fù)雜背景的圖像進(jìn)行直接分類(lèi)的精度不高，且無(wú)法進(jìn)行端到端的識(shí)別，不能直觀地展現(xiàn)病斑識(shí)別效果。綜上所述，本文采用基于深度學(xué)習(xí)的語(yǔ)義分割方法對(duì)病害進(jìn)行識(shí)別，以復(fù)雜背景下的水稻病害圖像為研?

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的場(chǎng)景分割算法研究綜述[J]. 張蕊,李錦濤.  計(jì)算機(jī)研究與發(fā)展. 2020(04)
[2]大田作物病害識(shí)別研究圖像數(shù)據(jù)集[J]. 陳雷,袁媛.  中國(guó)科學(xué)數(shù)據(jù)(中英文網(wǎng)絡(luò)版). 2019(04)
[3]基于深度學(xué)習(xí)的圖像語(yǔ)義分割研究進(jìn)展[J]. 李新葉,宋維.  科學(xué)技術(shù)與工程. 2019(33)
[4]基于深度學(xué)習(xí)的圖像語(yǔ)義分割技術(shù)研究進(jìn)展[J]. 梁新宇,羅晨,權(quán)冀川,肖鎧鴻,高偉嘉.  計(jì)算機(jī)工程與應(yīng)用. 2020(02)
[5]基于深度網(wǎng)絡(luò)的圖像語(yǔ)義分割綜述[J]. 羅會(huì)蘭,張?jiān)?  電子學(xué)報(bào). 2019(10)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識(shí)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(xué)學(xué)報(bào)(自然科學(xué)). 2019(05)
[7]面向復(fù)雜環(huán)境的圖像語(yǔ)義分割方法綜述[J]. 王嫣然,陳清亮,吳俊君.  計(jì)算機(jī)科學(xué). 2019(09)
[8]基于深度學(xué)習(xí)的圖像語(yǔ)義分割技術(shù)研究綜述[J]. 鄺輝宇,吳俊君.  計(jì)算機(jī)工程與應(yīng)用. 2019(19)
[9]基于深度卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識(shí)別研究[J]. 譚云蘭,歐陽(yáng)春娟,李龍,廖婷,湯鵬杰.  井岡山大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[10]基于深度學(xué)習(xí)的農(nóng)作物病害檢測(cè)[J]. 魏超,范自柱,張泓,王松.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語(yǔ)義分割研究[D]. 李承珊.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院光電技術(shù)研究所) 2019
[2]語(yǔ)義分割網(wǎng)絡(luò)在視網(wǎng)膜血管分割任務(wù)的應(yīng)用[D]. 張冠宏.北京郵電大學(xué) 2019
[3]基于圖像處理的水稻葉部病害快速識(shí)別方法研究[D]. 關(guān)瑩.東北農(nóng)業(yè)大學(xué) 2018
[4]基于深度學(xué)習(xí)的農(nóng)作物病害識(shí)別[D]. 李凱雨.河南農(nóng)業(yè)大學(xué) 2018
[5]基于支持向量機(jī)的水稻稻瘟病識(shí)別技術(shù)研究[D]. 趙開(kāi)才.哈爾濱工程大學(xué) 2012
[6]基于圖像的水稻病害識(shí)別方法的研究[D]. 管澤鑫.浙江理工大學(xué) 2010



本文編號(hào)：3356019