對青菜病害區(qū)域進行識別并將其與正常作物區(qū)分隔能夠起到保護青菜的作用,及時對相關(guān)災(zāi)害區(qū)域進行處理,能夠防止災(zāi)害的進一步蔓延。提出了一種基于深度學(xué)習(xí)的青菜災(zāi)害區(qū)域圖像語義分割的方法,通過fine-tune FCN以像素級精度分割出圖像中作物災(zāi)害區(qū)進行識別,并借助地面安置的圖像定位標記判斷出災(zāi)害在地面上的準確位置。由于目前暫無無人機拍攝的公開青菜病害圖像數(shù)據(jù)集,通過專業(yè)無人機采集的方式自建青菜病害區(qū)域圖像數(shù)據(jù)集以滿足檢測需要。結(jié)果表明,在自建數(shù)據(jù)集下fine-tune FCN的mIoU為53.2%,對4種病害類型與健康情況的識別像素精度PA為85.2%,定位精確率為96.8%,能基本滿足病害區(qū)域檢測定位需求。同時,對比了文章中提出的網(wǎng)絡(luò)架構(gòu)與SDS,RCNN與FCN在性能上的區(qū)別,驗證了該網(wǎng)絡(luò)在病害區(qū)域的細粒度檢測上擁有更好的魯棒性。 

【文章頁數(shù)】：4 頁

【部分圖文】：

作物圖像采集

圖1 作物圖像采集網(wǎng)絡(luò)采用全卷積層加池化層的方式,將CNN中的全連接層替換成卷積層。網(wǎng)絡(luò)的前5層保留CNN的結(jié)構(gòu),其中第7層采用了大小為(4 096,1,1)的卷積,為了使得在學(xué)習(xí)過程中能夠提取更多的細節(jié)特征,在第2組卷積池化網(wǎng)絡(luò)后又添加了2層卷積層,網(wǎng)絡(luò)在最后1層使用了大小為(7,1,1)的卷積,分別對應(yīng)著背景和作物區(qū)的6種識別結(jié)果,網(wǎng)絡(luò)最終通過反卷積組合輸出1張已經(jīng)完成標記的圖,其中fine-tune FCN的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

同時,單層的輸出結(jié)果會導(dǎo)致冗余過少和結(jié)果太過粗糙,為了優(yōu)化語義分割結(jié)果,在網(wǎng)絡(luò)結(jié)構(gòu)中設(shè)計了Skip Architecture[14-15],對不同池化層的結(jié)果上采樣,最終優(yōu)化輸出,分別得到fine-tune FCN-32s與fine-tune FCN-16s為中間結(jié)果。圖4分別給出了Ground truth與通過不同池化層向上反卷積后疊加最終得到的fine-tune FCN-8s、fine-tune FCN-16s、fine-tune FCN-32s的效果,最終輸出效果為fine-tune FCN-8s顯示效果。圖4 不同池化層向上反卷積采樣疊加后結(jié)果

【參考文獻】：
期刊論文
[1]基于深度學(xué)習(xí)的農(nóng)作物病害圖像識別技術(shù)進展[J]. 王彥翔,張艷,楊成婭,孟慶龍,尚靜.  浙江農(nóng)業(yè)學(xué)報. 2019(04)
[2]基于無人機多光譜圖像的云南松蟲害區(qū)域識別方法[J]. 張軍國,韓歡慶,胡春鶴,駱有慶.  農(nóng)業(yè)機械學(xué)報. 2018(05)
[3]基于深度學(xué)習(xí)和支持向量機的4種苜蓿葉部病害圖像識別[J]. 秦豐,劉東霞,孫炳達,阮柳,馬占鴻,王海光.  中國農(nóng)業(yè)大學(xué)學(xué)報. 2017(07)
[4]基于內(nèi)容的圖像分割方法綜述[J]. 姜楓,顧慶,郝慧珍,李娜,郭延文,陳道蓄.  軟件學(xué)報. 2017(01)
[5]三份重要水稻資源的稻瘟病抗性鑒定及不同評價指標間的相關(guān)性分析[J]. 史嬋,陳薇蘭,王靜,賀閩,陳學(xué)偉,李偉滔.  植物保護學(xué)報. 2014(04)
[6]山西、河北蔬菜生產(chǎn)質(zhì)量安全調(diào)查[J]. 郝變青,馬利平,朱九生,王靜,秦曙,王霞,喬雄梧.  山西農(nóng)業(yè)科學(xué). 2013(10)
[7]小青菜病蟲害防治[J]. 郭萍.  北京農(nóng)業(yè). 2012(06)
[8]基于支持向量機的玉米葉部病害識別[J]. 宋凱,孫曉艷,紀建偉.  農(nóng)業(yè)工程學(xué)報. 2007(01)
[9]控制果蔬采后病害的生物學(xué)技術(shù)[J]. 田世平,范青.  植物學(xué)通報. 2000(03)



本文編號：3651073