基于深度学习的油菜典型害虫快速检测研究

发布时间：2020-03-30 10:05

【摘要】：油菜是中国重要的油料作物,但其在生长过程中容易受到害虫的侵害,产量和品质都会因此出现不同程度的降低。准确地检测和诊断害虫,对于提高施药决策的针对性及精准预测作物的产量至关重要。传统的害虫鉴定依赖于人工识别,费时费力,存在一定的主观性和滞后性,无法满足日益增长的害虫检测需求。因此,寻求一种可有效解决上述问题、客观、高效、快速的害虫检测方法具有较高的实际应用价值。为实现油菜典型害虫的实时检测,本文主要开展了以下的工作:(1)通过采集简单背景和复杂背景下的油菜害虫图像,创建了一个包含12类共3,022张图像的油菜典型害虫数据集(Oilseed Rape Pests Dataset,RPDS)。本文设计了一个害虫图像采集系统以采集实验室环境下(简单背景)的害虫图像。复杂背景的图像通过互联网下载及大田现场拍摄获取。为解决因数据集样本量过小而出现的过拟合问题,采用数据扩增的方式将训练图像从2,115幅增加到10,575幅。目前农业领域缺乏公开可用的害虫数据集,RPDS数据集不仅可用于本文的研究,还具备一定的通用性,可应用于其他害虫识别和诊断。(2)为了解决现有的目标检测算法无法很好地平衡检测速度和检测精度之间的矛盾,同时针对RPDS的样本数量少,目标对象小,姿态变化多样和易被遮挡等特点,本文对SSD(Single Shot MultiBox Detector)目标检测算法进行了改进,提出了一种新的目标检测方法F-SSD-IV3用于检测油菜典型害虫。(1)使用Inception V3代替SSD算法的VGG-16作为基础网络,将SSD目标检测方法的平均精度均值(mean Average Precision,mAP)从0.6411提升至0.6812。其中,mAP是PASCAL VOC挑战赛提出的目标检测通用性能评估指标。(2)设计了一种特征融合方法,将输出的不同尺度特征图通过级联模块进行特征融合,解决了SSD算法难以检测到小尺寸目标的短板,mAP值提高为0.7417。(3)本文采用了一种将Soft NMS和Softer NMS结合的策略,改善了原SSD算法的非极大抑制策略NMS在处理重叠目标时的不足,经过实验对比,漏检率从9.44%降低至2.31%,并且进一步微调输出的矩形框坐标。结果表明,本文设计的F-SSD-IV3目标检测方法mAP值为0.7481,检测单幅图像的速度为0.076秒,实现了对油菜典型害虫的实时高精度检测。(3)为克服训练数据不足和类间样本数量不均衡所带来的问题,在F-SSD-IV3的油菜害虫检测方法基础上,使用数据扩增和增加Dropout层的方式,减轻过拟合问题并提高模型的泛化能力。(1)数据扩增方式,通过对图像亮度、对比度、饱和度等七个维度的处理增加数据集RPDS的容量,解决了模型过拟合的问题,mAP值提高至0.8105。(2)优化类间样本数量的比例,实验结果表明当最大类间比例为1:1.5时,模型取得最佳的检测性能,mAP值达0.8204。(3)增加Dropout层,设置不同的概率p来随机抑制隐藏层中的部分神经元。实验表明当p为0.8时,mAP值高达0.8417。即采用上述的优化方法可进一步提高模型的检测性能。(4)对基于深度学习的目标检测技术及其相关方法进行全面的总结和研究,为新目标检测方法的设计提供了夯实的理论基础。此外,将本文提出的F-SSD-IV3检测方法与几种经典的目标检测方法:SSD300、Faster R-CNN和R-FCN(Region-based Fully Convolution Network)在RPDS上进行检测性能对比,分析各方法的优势与劣势。实验结果显示:(1)SSD300的检测速度最快,检测单幅图像速度为0.048秒,但检测精度仅为0.6411。(2)Faster R-CNN和R-FCN的检测精度均低于0.68,且检测单幅图像的速度约为0.15秒。(3)而FSSD-IV3具有最高的检测精度,mAP值高达0.7481,单幅图像可在0.076秒内完成检测,在检测精度和检测速度上实现了很好的平衡。(5)本文将训练好的F-SSD-IV3模型部署到移动设备的应用系统上,建立了一个基于Android平台的油菜典型害虫实时检测系统。该系统基本满足了害虫检测所需的功能,包含图像采集模块、图像预处理模块、油菜害虫检测模块及结果展示模块四大模块。采用该系统对303幅图像进行测试,实验结果表明:检测结果基本上可在1秒内返回,检测的准确率高达89.77%,漏检率和误检率分别为7.92%和2.31%。这说明了该系统具有一定的实用性,可在大田环境下实时准确地检测油菜害虫。
【图文】：

复杂细胞,简单细胞,神经认知机,写数字

2.1.2 卷积神经网络理论卷积神经网络是过去几年最为成功的神经网络之一，它的出现彻底改变了计算机视觉领域。卷积神经网络的灵感来源于简单细胞和复杂细胞概念，Hubel 和 Wiesel 在 1959 年[57]和 1962 年[58]的研究发现，哺乳动物的视觉皮层中某些神经细胞仅在特定刺激下才会发生响应。神经元以层的形式组织起来，这些层可以提取局部特征，组合在一起能产生视觉感知。在实际感知上，大脑的简单细胞和复杂细胞以不同的方式发挥作用。受到简单细胞和复杂细胞的影响，1982 年 Fukushima[59]提出神经认知机 Neocognitron，该模型可以通过理解物体的形状以识别物体的种类。随后的 1998 年，LeCun 提出了一个名为 LeNet 的神经网络结构，，这就是第一个卷积神经网络，可实现对手写数字进行分类。卷积神经网络具有结构简单、训练参数少、适应性强等特点，现已成功应用于图像识别、目标检测和图像分割。2.1.2.1 卷积神经网络的构成卷积神经网络一般由卷积层、池化层和全连接层三个基本部分组成。

卷积原理,示例,卷积核

学硕士学位论文第二章基于深度学习的目标检图 2-1 所示，输入的图像经过一系列的卷积和池化操作，卷积层生成特征映缩了空间尺寸。然后，全连接层根据提取的特征进行分类，确定每类出现在。积层积层是卷积神经网络的核心部分，将卷积运算应用于输入（原始数据/上一层射）与权重，输出的结果具有相同或减小的空间维度和增加的深度维度。卷一组卷积核组成，卷积核的深度和输入的深度一致，每个卷积核在输入的特积操作，可生成一个二维的特征映射，沿着深度堆叠这些特征映射可生成输出
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP18;TP391.41;S565.4

【相似文献】