基于机器视觉与深度学习的西兰花表型快速提取方法研究
发布时间：2021-03-07 15:17
准确获取西兰花花球面积和新鲜度是确定其长势的关键步骤,本研究通过对深度残差网络ResNet进行改进得到一种新型的西兰花花球分割模型,并通过花球部位黄绿颜色占比判断其新鲜度,实现低成本高效准确地西兰花表型信息提取。主要技术流程包括:（1）基于地面自动影像获取平台拍摄西兰花花球正射影像并建立原始数据集;（2）对训练图像进行预处理并输入模型进行分割;（3）基于颜色信息用粒子群结构PSO和大津法Otsu对分割结果进一步进行阈值分割,获取其新鲜度指标。试验结果表明:本研究建立的分割模型精度优于传统深度学习模型和基于颜色空间变换和阈值分割模型,4个评价指标结构相似性指数（SSIM）、平均精度（Precision）、平均召回率（Recall）、F-度量（F-measure）结果分别为0.911、0.897、0.908和0.907,相比于传统方法提升了10%-15%,且对土壤反射率波动、冠层阴影、辐射强度变化等干扰具有一定的鲁棒性。同时,在分割结果的基础上采用PSO-Otsu法可以实现花球新鲜度快速分析,其精度超过了0.8。本研究结果实现了西兰花田间多表型参数的高通量获取,可以为作物田间长势监测研究提...
【文章来源】：智慧农业(中英文). 2020,2(01)
【文章页数】：12 页
【部分图文】：
研究区域与数据采集平台设计
本试验中共获取西兰花花球图像442张，其中“浙青452”花球图像132张，“台绿1号”花球图像141张，“台绿2号”花球图像169张。首先，基于田间拍摄的西兰花花球正射影像，通过人工筛选去除存在失焦、模糊等问题的照片，将剩余每个品种100张照片作为输入数据建立原始影像集，训练集和测试集比例设为4:1，即训练集中包含240张图片，测试集中包含60张图片。经过数据增广和人工标记等预处理手段，将原始数据转化为适合模型训练的大小并提高训练结果的泛化能力[15]。然后利用改进的ResNet对模型进行训练实现西兰花花球分割，并进一步对分割结果采用PSOA和Otsu算法进行二次分割建立西兰花新鲜度评估模型。技术路线如图2所示。2.3.1 图像预处理
传统卷积网络在信息传递过程中会存在信息丢失和损耗，同时出现梯度消失或梯度爆炸，导致训练网络的深度受到限制。为解决这一问题，微软亚洲研究院的何凯明博士等[18]2015年提出ResNet，该模型可以在加快网络训练速度的同时提升模型准确率并保持较好的推广性，其主要思想是通过在网络中增加直连通道从而保留之前网络层一定比例的输出，使得原始输入信息可以直接传输到后面的层中。然而，经典ResNet卷积层的滤波器作用于局部，获取特征图相互独立且权重相等[19]。实际上这些特征图的重要程度并不相同，采用这一操作会影响训练结果的精度。通过添加Squeeze-and-Excitation(SE）模块可以对特征按照其重要性进行重新调整[20]，并用全局信息作为衡量单个特征重要性的标准。图3为将SE模块嵌入ResNet的示例，方框右下角维度信息代表本层输出。使用全局池化（Global Av‐erage Pooling）进行遍历（Squeeze）操作[21]，然后用两个全连接层Fully Connected(FC)[22]组成Bottleneck结构[23]对通道间的相关性进行建模的同时输出与输入特征相同数量的权重。先将特征维度降低到原来的1/16，再通过模型的ReLU激活函数[24]进行激活输入一个全连接层中返回原来的维度。最后通过Sigmoid函数进行归一化运算获得0-1之间的权重数值，用Scale操作将该权重加权到每个特征图上。由于像素二分类任务（分割）较为简单，本研究设计了一个20层的ResNet，实心曲线为shortcut连接，虚线模块C20、C21通过含有大小1×1、步幅为2的卷积核实现降维。模块C1-C20的卷积核大小为3×3,C9和C16中卷积核步幅为2，其他模块步幅为1。输入图像通过C1-C19，然后经过一个全局平均层最后进入softmax分类层得到其对应标签。遍历待分割图像的每一个像素点，提取以每一个像素点为中心的尺寸为18×18的方形图像块，将这些图像块输入改进的ResNet模型中，得到每一个像素的分类标签，再将其进行重建即可得到最终的分割结果。
【参考文献】：
期刊论文
[1]基于CNN和迁移学习的农作物病害识别方法研究[J]. 李淼,王敬贤,李华龙,胡泽林,杨选将,黄小平,曾伟辉,张建,房思思. 智慧农业. 2019(03)
[2]基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 陈桂芬,赵姗,曹丽英,傅思维,周佳鑫. 智慧农业. 2019(02)
[3]基于核函数支持向量机的植物叶部病害多分类检测方法[J]. 魏丽冉,岳峻,李振波,寇光杰,曲海平. 农业机械学报. 2017(S1)
[4]不同贮藏条件对西兰花感官品质及抗氧化物质的影响[J]. 袁定帅,陈洁,赖晓芳,杨国武,张协光,朱丽. 食品科技. 2017(04)
[5]基于GPU的生态环境遥感评价模型并行化研究[J]. 李林,顾进锋,宋安捷,郑海宁,曹津,朱德海. 农业机械学报. 2017(05)
[6]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[7]基于HSI颜色空间的植物叶片病斑提取方法[J]. 夏永泉,李耀斌,曾莎. 江苏农业科学. 2015(08)
[8]基于L*a*b*彩色空间和局域动态阈值的药用植物叶片图像分割[J]. 高理文,林小桦. 计算机应用与软件. 2014(01)
[9]基于K-均值聚类与小波分析的声发射信号去噪[J]. 周俊,刘丽川,杨继平. 石油化工高等学校学报. 2013(03)
[10]基于图像处理和蚁群优化的形状特征选择与杂草识别[J]. 李先锋,朱伟兴,纪滨,刘波,马长华. 农业工程学报. 2010(10)
硕士论文
[1]基于多彩色空间的麦田监控图像分割技术研究[D]. 董晓辉.河南农业大学 2015
本文编号：3069348
【文章来源】：智慧农业(中英文). 2020,2(01)
【文章页数】：12 页
【部分图文】：
研究区域与数据采集平台设计
本试验中共获取西兰花花球图像442张，其中“浙青452”花球图像132张，“台绿1号”花球图像141张，“台绿2号”花球图像169张。首先，基于田间拍摄的西兰花花球正射影像，通过人工筛选去除存在失焦、模糊等问题的照片，将剩余每个品种100张照片作为输入数据建立原始影像集，训练集和测试集比例设为4:1，即训练集中包含240张图片，测试集中包含60张图片。经过数据增广和人工标记等预处理手段，将原始数据转化为适合模型训练的大小并提高训练结果的泛化能力[15]。然后利用改进的ResNet对模型进行训练实现西兰花花球分割，并进一步对分割结果采用PSOA和Otsu算法进行二次分割建立西兰花新鲜度评估模型。技术路线如图2所示。2.3.1 图像预处理
传统卷积网络在信息传递过程中会存在信息丢失和损耗，同时出现梯度消失或梯度爆炸，导致训练网络的深度受到限制。为解决这一问题，微软亚洲研究院的何凯明博士等[18]2015年提出ResNet，该模型可以在加快网络训练速度的同时提升模型准确率并保持较好的推广性，其主要思想是通过在网络中增加直连通道从而保留之前网络层一定比例的输出，使得原始输入信息可以直接传输到后面的层中。然而，经典ResNet卷积层的滤波器作用于局部，获取特征图相互独立且权重相等[19]。实际上这些特征图的重要程度并不相同，采用这一操作会影响训练结果的精度。通过添加Squeeze-and-Excitation(SE）模块可以对特征按照其重要性进行重新调整[20]，并用全局信息作为衡量单个特征重要性的标准。图3为将SE模块嵌入ResNet的示例，方框右下角维度信息代表本层输出。使用全局池化（Global Av‐erage Pooling）进行遍历（Squeeze）操作[21]，然后用两个全连接层Fully Connected(FC)[22]组成Bottleneck结构[23]对通道间的相关性进行建模的同时输出与输入特征相同数量的权重。先将特征维度降低到原来的1/16，再通过模型的ReLU激活函数[24]进行激活输入一个全连接层中返回原来的维度。最后通过Sigmoid函数进行归一化运算获得0-1之间的权重数值，用Scale操作将该权重加权到每个特征图上。由于像素二分类任务（分割）较为简单，本研究设计了一个20层的ResNet，实心曲线为shortcut连接，虚线模块C20、C21通过含有大小1×1、步幅为2的卷积核实现降维。模块C1-C20的卷积核大小为3×3,C9和C16中卷积核步幅为2，其他模块步幅为1。输入图像通过C1-C19，然后经过一个全局平均层最后进入softmax分类层得到其对应标签。遍历待分割图像的每一个像素点，提取以每一个像素点为中心的尺寸为18×18的方形图像块，将这些图像块输入改进的ResNet模型中，得到每一个像素的分类标签，再将其进行重建即可得到最终的分割结果。
【参考文献】：
期刊论文
[1]基于CNN和迁移学习的农作物病害识别方法研究[J]. 李淼,王敬贤,李华龙,胡泽林,杨选将,黄小平,曾伟辉,张建,房思思. 智慧农业. 2019(03)
[2]基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 陈桂芬,赵姗,曹丽英,傅思维,周佳鑫. 智慧农业. 2019(02)
[3]基于核函数支持向量机的植物叶部病害多分类检测方法[J]. 魏丽冉,岳峻,李振波,寇光杰,曲海平. 农业机械学报. 2017(S1)
[4]不同贮藏条件对西兰花感官品质及抗氧化物质的影响[J]. 袁定帅,陈洁,赖晓芳,杨国武,张协光,朱丽. 食品科技. 2017(04)
[5]基于GPU的生态环境遥感评价模型并行化研究[J]. 李林,顾进锋,宋安捷,郑海宁,曹津,朱德海. 农业机械学报. 2017(05)
[6]不同池化模型的卷积神经网络学习性能研究[J]. 刘万军,梁雪剑,曲海成. 中国图象图形学报. 2016(09)
[7]基于HSI颜色空间的植物叶片病斑提取方法[J]. 夏永泉,李耀斌,曾莎. 江苏农业科学. 2015(08)
[8]基于L*a*b*彩色空间和局域动态阈值的药用植物叶片图像分割[J]. 高理文,林小桦. 计算机应用与软件. 2014(01)
[9]基于K-均值聚类与小波分析的声发射信号去噪[J]. 周俊,刘丽川,杨继平. 石油化工高等学校学报. 2013(03)
[10]基于图像处理和蚁群优化的形状特征选择与杂草识别[J]. 李先锋,朱伟兴,纪滨,刘波,马长华. 农业工程学报. 2010(10)
硕士论文
[1]基于多彩色空间的麦田监控图像分割技术研究[D]. 董晓辉.河南农业大学 2015
本文编号：3069348
本文链接：https://www.wllwen.com/nykjlw/yylw/3069348.html
