基于机器学习的农业图像识别与光谱检测方法研究

发布时间：2020-04-03 06:34

【摘要】：图像与光谱是智能农机装备的重要感知信息,利用感知数据进行智能分析决策,是农业装备智能化的关键。对于这两类不同的农业数据分析任务,机器学习都是一条有效的完成途径。但传统机器学习方法在性能上已难以满足当前农业领域大规模数据的精确处理需求,因此构建新型机器学习的农业图像与光谱数据分析模型具有重要意义。本文基于机器学习前沿的深度学习方法分别从智能农机装备的图像识别和光谱检测两个方向进行研究。以田间作物杂草的图像识别和土壤含水率的光谱检测为研究目标,充分利用深度学习方法自主挖掘与学习复杂数据特征表达的优势,有针对性的构建和优化具有更高性能的图像识别和光谱分析模型,探索并解决深度学习应用于农业图像和光谱数据处理中的基础性研究问题。所开展的主要研究工作和结论如下:(1)改进传统浅层机器学习方法对作物和杂草的图像识别进行了研究,提出了基于融合高度与图像特征的优化支持向量机(Support Vector Machine,SVM)识别方法。将作物和杂草在实际空间高度上的差异作为一项识别依据,结合双目视觉技术,实现了图像目标区域高度特征参数的提取,计算误差在±12mm以内。提取的图像特征包括16项形态特征和2项纹理特征,通过最大最小蚁群算法优化选择形态特征,降低总体图像特征数据量。融合高度与图像特征获得更为全面的特征表达,提高SVM模型对于图像数据的识别能力。根据处于不同生长时期的作物与杂草样本图像,分3个阶段建立融合高度与图像特征的SVM识别模型,获取更加精细化的图像识别结果。基于K层交叉验证、遗传算法和粒子群优化算法对不同阶段SVM模型的重要结构参数进行优化,通过对比分析构建最优SVM识别模型。测试结果表明,所建立的融合高度与图像特征的优化SVM识别模型对于作物和杂草图像的平均识别准确率为98.33%,高度特征参与建模使平均识别准确率提高了 5%。该方法在传统浅层机器学习的基础上获得了农业图像识别性能的提升。(2)利用深度学习方法中的卷积神经网络(Convolutional Neural Network,CNN)架构对作物和杂草的图像识别进行了研究,提出采用多尺度CNN模型进行特征学习的作物与杂草识别方法。构建多尺度CNN模型从原始图像的高斯金字塔中自主学习并提取多尺度分层特征作为识别依据。不依赖于人为的特征设计提取过程,从而在最大程度上获取图像中可用的内部特征信息。多尺度CNN模型由对应3个不同图像尺度的CNN架构并联组合而成,各CNN架构的内部参数跨尺度共享,迫使模型学习具有尺度不变性的特征。针对作物与杂草目标颜色相似、位置随机、叶片易交叠和类内差异较大的特点,对CNN模型的整体架构、重要结构参数、分类器选择、损失函数定义和训练方法进行较为全面的优化与改进,确定最佳CNN架构。建立的多尺度CNN模型能够实现图像中各像素目标的识别,其像素目标平均识别准确率为93.41%。采用多尺度CNN模型与超像素分割相结合的图像目标识别策略,先识别像素目标,进而识别作物和杂草目标。测试结果表明,该方法能够在识别作物与杂草目标区域的同时产生准确的图像分割,有效避免目标交叠所带来的问题,减少了图像处理难度。在作物与杂草测试图像数据集上,其平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68s,同融合高度与图像特征的优化SVM识别方法相比,在目标识别的准确率、稳定性和实时性方面均有一定程度的提高。对比分析了 CPU和GPU运算硬件对多尺度CNN模型识别速度的影响。测试结果表明,采用GPU代替CPU运算该架构,识别单幅图像的平均耗时减少为0.72s。在作物与杂草的识别速度上获得了1倍多的提升,进一步增强了实时性。(3)采用CNN架构对土壤含水率的光谱检测方法进行了研究,建立CNN回归预测模型用于土壤光谱数据的分析。将主成分分析处理后的光谱数据变换为二维光谱信息矩阵形式,作为CNN回归预测模型的输入。针对光谱数据的实值回归预测任务,在CNN图像识别架构的基础上进行一定程度的调整与改进,通过试验对CNN重要结构参数进行优化,确立CNN回归预测架构。该模型利用卷积与池化操作逐层提取并学习光谱特征数据,采用局部连接和权值共享减少自由参数,并引入神经元抑制策略获得模型学习的稀疏性。输出层采用与上一层全连接的单神经元回归函数,实现基于CNN架构的光谱数据实值回归,同时损失函数定义为欧氏距离函数,利用预测值与实际值间误差的最小化引导CNN模型的训练过程。测试结果表明,构建的CNN回归预测模型实现了有效的土壤含水率光谱检测。在训练样本达到一定数量时,CNN回归预测模型的预测精度和回归拟合优度均高于BP、PLSR和LS-SVM三种传统浅层机器学习预测模型,在少量训练样本参与建模的情况下,CNN的性能优于BP,略低于PLSR和LS-SVM,但是随着训练数据量的增加,CNN的性能也随之稳步提升,达到并显著优于传统模型水平。因此基于CNN架构的回归预测模型在大样本量的光谱数据分析任务中能取得更好的检测效果,在农业大数据环境下具有重要优势。
【学位授予单位】：山西农业大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：S126;TP391.41;TP181

【相似文献】