基于深度学习的茶叶嫩芽检测和叶部病害图像识别研究
发布时间：2020-11-02 13:09
卷积神经网络(Convolutional Neural Network,CNN)是一种应用较为广泛的深度学习模型,它凭借自身的卷积滤波和池化操作等特性,可以有效降低网络复杂度,不仅能够赋予模型对平移、扭曲、缩放等操作一定程度的不变性,并表现出较强的鲁棒性和容错能力。另外,卷积神经网络能够同时进行特征提取和模式识别,从而避免了复杂的显式特征提取过程,因此更易于网络的训练和优化。近年来,CNN在农业病害图像识别等领域中发挥着重要的作用。目标检测算法是通过获取目标图像的几何和统计特征进行的类似于图像分割的过程,主要分为目标分类与目标定位。目标分类的任务是获取图像中包含的目标类别标签;目标定位的任务是获取感兴趣区域在图像中的坐标值。近年来,特别是在较复杂的场景中,能够实现实时的多个目标自动识别和定位是非常重要的。YOLO(You Only Look Once)算法利用卷积神经网络将特征提取网络、位置框预测和类别预测统一到一个框架中,实现了端到端的训练,能够自动的学习任务,实现多层非线性变换,获取图像的高层抽象描述。本文为实现茶叶嫩芽检测和叶部病害图像识别,展开了目标检测算法和卷积神经网络模型的相关研究工作,主要研究内容如下:(1)提出了一种基于YOLOv3的茶叶嫩芽检测算法(Darknet_tea算法)。将其首次应用到复杂背景下的茶叶嫩芽图像的检测中,并从多尺度检测方面对YOLO v3网络架构进行了改进。原始的YOLOv3算法在在三个不同的特征响应图进行检测框和目标类别的回归,单个网格则预测了9个不同尺寸的目标框,从而造成模型计算量较大。考虑到实地拍摄的茶叶嫩芽区域占据图像中的位置较大,茶叶嫩芽和老叶存在形状和颜色差异,因此,在提取图像的超绿特征以及使用OSTU算法进行图像分割的基础上,本文提出的Darknet_tea算法只在13×13和26×26两个尺度上进行预测回归,不仅提高了茶叶嫩芽检测的准确率,而且减少了网络的计算量。(2)提出了基于深度卷积对抗生成网络(Deep Convolution Generative Adversarial Networks,DCGAN)的茶叶叶部病害图像生成。在实验数据的采集过程中,由于每种病害的发生程度和时间不同,导致拍摄的部分病害的数量较少,因此为扩充茶叶叶部病害图像数据集和均衡每种病害种类的数量,使用了DCGNN进行数据增强,为茶叶叶部病害图像的识别打下了基础。(3)提出了基于卷积神经网络的茶叶叶部病害图像识别。为防止过拟合的出现,加入了Dropout、局部对比度归一化(Local Contrast Normalization,LRN);为增加网络的稀疏性和消除梯度弥散,在模型中使用线性整流函数(Rectified Linear Unit,ReLU)作为激活函数,加快了网络的收敛,完善了网络的结构。
【学位单位】：山东农业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S435.711;S571.1;TP391.41;TP18
【部分图文】：
而能够修改代价函数。新的代价函数如公式（2.23）所示。 ( ) 21 1 1 011( ) 1 log2T wjT wjxm k k niijkxi j i jieJ y jme （2.2重缩减项的引入使得代价函数变成了凸函数，而凸函数具有唯一解，进而能络的收敛，得到最优值。然而为利用优化算法求解，需要对公式（2.23）进行形式如公式（2.24）所示。 ( ) ( ) ( ) ( )11( ) (1 ( | ; ))jmi i i ijiJ x y j p y j xm （2.2可得到 Softmax 分类器。训练方法NN 学习过程如图 16 所示。
因此主要介绍 YOLOv3 目标检测算法在复杂背景下茶叶嫩芽的应用。良好的样本集是茶叶嫩芽检测研究的基础，良好的目标检测算法有助于提高目标检测精度。本章从茶叶嫩芽数据集的构建和预处理、网络架构的设计与改进以及实验结果的分析总结等方面进行介绍，为后续的茶叶嫩芽采摘机器人的研究打下基础。3.1 数据集构建3.1.1 茶叶嫩芽图像获取在山东省泰安市的泰顶青和茶溪谷等茶园开展自然环境下茶叶嫩芽图像的采集，所用的拍摄工具为数码相机，其型号是 IXUS 285 HS，图像拍摄的角度与距离随机。自然环境下拍摄的茶叶嫩芽图像中，嫩芽以外的区域称为背景，背景主要包括老叶和枝干等，其中嫩芽呈黄绿色，老叶呈蓝绿色或者深绿色，样本图像样例如图 17 所示。为了增加实验的可信度，本次实验所用的茶叶嫩芽图像包含的目标区域有差异，包括 1 个或多个目标框。
图 18 茶叶嫩芽图像目标位置标注Fig.18 Target position labeling of tea bud image由图像标注工具标注而生成的标签文件如图 19 所示。标签<folder>记录了图像的文件夹，标签<filename>记录了图像的名称，标签<path>记录了图像的存储路径。标size>记录了图像的整体信息，包括图像的长、宽和通道数量。每个<object>标签负责该图形中一个目标茶叶嫩牙的位置及类别信息，子标签<name>记录了目标茶叶嫩类别信息，子标签<bndbox>记录了目标茶叶嫩芽的位置信息，其子标签负责记录目围框的左下角坐标和右上角坐标。
【参考文献】
本文编号：2867093
【学位单位】：山东农业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S435.711;S571.1;TP391.41;TP18
【部分图文】：
而能够修改代价函数。新的代价函数如公式（2.23）所示。 ( ) 21 1 1 011( ) 1 log2T wjT wjxm k k niijkxi j i jieJ y jme （2.2重缩减项的引入使得代价函数变成了凸函数，而凸函数具有唯一解，进而能络的收敛，得到最优值。然而为利用优化算法求解，需要对公式（2.23）进行形式如公式（2.24）所示。 ( ) ( ) ( ) ( )11( ) (1 ( | ; ))jmi i i ijiJ x y j p y j xm （2.2可得到 Softmax 分类器。训练方法NN 学习过程如图 16 所示。
因此主要介绍 YOLOv3 目标检测算法在复杂背景下茶叶嫩芽的应用。良好的样本集是茶叶嫩芽检测研究的基础，良好的目标检测算法有助于提高目标检测精度。本章从茶叶嫩芽数据集的构建和预处理、网络架构的设计与改进以及实验结果的分析总结等方面进行介绍，为后续的茶叶嫩芽采摘机器人的研究打下基础。3.1 数据集构建3.1.1 茶叶嫩芽图像获取在山东省泰安市的泰顶青和茶溪谷等茶园开展自然环境下茶叶嫩芽图像的采集，所用的拍摄工具为数码相机，其型号是 IXUS 285 HS，图像拍摄的角度与距离随机。自然环境下拍摄的茶叶嫩芽图像中，嫩芽以外的区域称为背景，背景主要包括老叶和枝干等，其中嫩芽呈黄绿色，老叶呈蓝绿色或者深绿色，样本图像样例如图 17 所示。为了增加实验的可信度，本次实验所用的茶叶嫩芽图像包含的目标区域有差异，包括 1 个或多个目标框。
图 18 茶叶嫩芽图像目标位置标注Fig.18 Target position labeling of tea bud image由图像标注工具标注而生成的标签文件如图 19 所示。标签<folder>记录了图像的文件夹，标签<filename>记录了图像的名称，标签<path>记录了图像的存储路径。标size>记录了图像的整体信息，包括图像的长、宽和通道数量。每个<object>标签负责该图形中一个目标茶叶嫩牙的位置及类别信息，子标签<name>记录了目标茶叶嫩类别信息，子标签<bndbox>记录了目标茶叶嫩芽的位置信息，其子标签负责记录目围框的左下角坐标和右上角坐标。
【参考文献】
相关期刊论文 前10条
1 吴华成;;茶叶褐色叶斑病的综合防治技术[J];农业与技术;2015年16期
2 VanBang L E;朱煜;赵江坤;陈宁;;基于深度图像HOG特征的实时手势识别方法[J];华东理工大学学报(自然科学版);2015年05期
3 吴雪梅;唐仙;张富贵;顾金梅;;基于K-means聚类法的茶叶嫩芽识别研究[J];中国农机化学报;2015年05期
4 韩余;肖宏儒;秦广明;宋志禹;丁文芹;梅松;;国内外采茶机械发展状况研究[J];中国农机化学报;2014年02期
5 郑继刚;张静梅;唐智英;;数据挖掘技术在茶叶病虫害预警中的研究与应用[J];湖北农业科学;2013年24期
6 吴雪梅;张富贵;吕敬堂;;基于图像颜色信息的茶叶嫩叶识别方法研究[J];茶叶科学;2013年06期
7 张小琴;赵池航;沙月进;党倩;张运胜;;基于HOG特征及支持向量机的车辆品牌识别方法[J];东南大学学报(自然科学版);2013年S2期
8 叶茂枝;张世良;蔡良绥;;基于径向基函数网络与WebGIS的茶叶病害预测[J];三明学院学报;2012年04期
9 唐智英;王祖凤;;关联规则挖掘技术在茶叶病虫害中的研究与应用[J];计算机光盘软件与应用;2012年15期
10 汪建;;结合颜色和区域生长的茶叶图像分割算法研究[J];茶叶科学;2011年01期
本文编号：2867093
本文链接：https://www.wllwen.com/nykjlw/dzwbhlw/2867093.html
