基于语义分割的水稻病害检测技术

发布时间：2021-08-21 17:18

　　农作物病虫害不仅严重制约了农作物的产量,而且影响了人们的生活品质,因此,对农作物病虫害的及时诊断是一项十分重要的工作。但是,农作物病虫害的诊断仍然以人工观察为主,这种传统方法不适应农业智能化的发展需求,因此,随着深度学习的发展,越来越多的研究人员开始关注农作物病虫害智能识别方法的研究。本文以常见的3类水稻病害为研究对象,提出基于语义分割的水稻病害检测方法,主要研究内容包括:数据集建立、数据分析与网络选型、水稻病害检测模型的训练与改进。1.三种常见水稻病害数据集的建立。目前,在农业病虫害检测领域,样本图像的获取比较困难,且图像标注需要花费大量的人力物力,因此,缺少可用于训练的数据。为增加样本的多样性,本文对收集到的样本以图像变换的方式进行扩充,并人工标注,制作语义分割数据集。2.数据分析与网络选型。本文收集到的病害样本图像规模较小,为减小模型过拟合的风险,宜采用轻量级语义分割网络进行训练。通过对常用的强监督语义分割模型进行性能对比分析,并结合本研究使用的数据的特点,选择U-Net作为本文的水稻病害检测网络。3.基于改进U-Net的水稻病害检测方法的研究。首先使用自制数据集,基于U-Net... 

【文章来源】：西华大学四川省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

植物病虫

4但是网络深度增加会带来梯度消失，妨碍网络收敛。2015年，何凯明等[15]提出了深度残差网络ResNet，有效地解决了随着网络深度增加导致的梯度消失问题，在ILSVRC2015比赛上获得了冠军。研究者们通过对卷积神经网络的不断改进，使得特征提取能力更强，具有更好的拟合能力和泛化能力，提高了检测精度，如图1.2[16]所示。卷积神经网络的发展为图像识别奠定了坚实的基础，语义分割以及目标检测网络的特征提取骨架大多来源于卷积神经网络。（2）基于深度学习的图像语义分割网络传统的图像分割方法是基于人工提取的特征进行分割，这种方法分割效果不理想，尤其在复杂环境下的分割性能较差[17]。卷积神经网络的发展为图像语义分割奠定了坚实的基矗基于深度学习的图像语义分割方法，以经典的图像分类网络作为特征提取网络进行图像特征的自动学习，极大地提升了语义分割的精确度[18]。2014年，LongJ等[19]提出了全卷积网络（FullyConvolutionalNetworks，FCN）。将传统CNN（比如GoogleNet）中的全连接层转化成一个个的卷积层，故称为全卷积网络。FCN对图像进行像素级的分类，从而初步解决了语义级别的图像分割问题，是利用深度学习进行图像语义分割的开山之作。2014年以来，谷歌团队相继提出Deeplab系列[20-23]语义分割网络。在网络进行特征提取时，特征图分辨率的下降是由步长为2的降采样造成的。为解决空间信息丢失的问题，Deeplab系列采用膨胀卷积代替标准卷积[24]。图1.2在ImageNet数据集上卷积神经网络结构对目标检测精度的影响Fig.1.2EffectofstructureofCNNonaccuracyofobjectdetectiononImageNetdataset

72016年，SrdjanS[42]等人利用深度学习的方法识别植物病害，训练好模型后进行微调，能够区分健康的叶片和13种不同疾病的叶片，对不同叶片的识别精度在91%至98%之间。2017年，黄双萍[43]等人进行水稻穗瘟病自动检测方法的研究，基于Inception基本模块构建深度卷积神经网络GoogLeNet[14]主体网络，利用自制数据集进行训练。检测图像如图1.4所示。2018年，Ferentinos[44]等人基于健康和患病植物叶子的简单图像，训练和评估几种卷积神经网络（ConvolutionalNeuralNetworks，CNN）结构，检测9种不同的番茄病虫害，该实验中VggNet[13]的识别率最高，达到了99.53%。2018年，张建华[45]等人，在VGG-16网络模型基础上，优化全连接层层数，并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器，提出基于改进VGG-16卷积神经网络的病害识别模型，平均识别准确率达到89.51%。基于深度学习的研究方法是农作物病虫害识别领域的发展趋势。从以上研究现状可以看出，国内外相关研究人员在农作物病虫害图像识别领域做了很多研究工作，研究内容主要集中在特征提娶分类识别与作物病害图像分割等领域。但是，在作物病害图像识别领域，病害图像的分割以传统方法为主，这种方法不仅分割精度不高，而且不能实现对病斑类别进行语义标注；目前，病虫害识别的研究大多处于实验室研究阶段，识别图像的背景简单（如图1.3、1.4所示），难以适应实际的农业生产需要；基于卷积神经网络的病害识别方法，实质上是以图片分类的方式实现病害识别，该方法对复杂背景的图像进行直接分类的精度不高，且无法进行端到端的识别，不能直观地展现病斑识别效果。综上所述，本文采用基于深度学习的语义分割方法对病害进行识别，以复杂背景下的水稻病害图像为研?

【参考文献】：
期刊论文
[1]基于深度学习的场景分割算法研究综述[J]. 张蕊,李锦涛.  计算机研究与发展. 2020(04)
[2]大田作物病害识别研究图像数据集[J]. 陈雷,袁媛.  中国科学数据(中英文网络版). 2019(04)
[3]基于深度学习的图像语义分割研究进展[J]. 李新叶,宋维.  科学技术与工程. 2019(33)
[4]基于深度学习的图像语义分割技术研究进展[J]. 梁新宇,罗晨,权冀川,肖铠鸿,高伟嘉.  计算机工程与应用. 2020(02)
[5]基于深度网络的图像语义分割综述[J]. 罗会兰,张云.  电子学报. 2019(10)
[6]基于卷积神经网络的水稻病害图像识别研究[J]. 邱靖,刘继荣,曹志勇,李俊杰,杨毅.  云南农业大学学报(自然科学). 2019(05)
[7]面向复杂环境的图像语义分割方法综述[J]. 王嫣然,陈清亮,吴俊君.  计算机科学. 2019(09)
[8]基于深度学习的图像语义分割技术研究综述[J]. 邝辉宇,吴俊君.  计算机工程与应用. 2019(19)
[9]基于深度卷积神经网络的水稻病害图像识别研究[J]. 谭云兰,欧阳春娟,李龙,廖婷,汤鹏杰.  井冈山大学学报(自然科学版). 2019(02)
[10]基于深度学习的农作物病害检测[J]. 魏超,范自柱,张泓,王松.  江苏大学学报(自然科学版). 2019(02)

硕士论文
[1]基于深度卷积神经网络的图像语义分割研究[D]. 李承珊.中国科学院大学(中国科学院光电技术研究所) 2019
[2]语义分割网络在视网膜血管分割任务的应用[D]. 张冠宏.北京邮电大学 2019
[3]基于图像处理的水稻叶部病害快速识别方法研究[D]. 关莹.东北农业大学 2018
[4]基于深度学习的农作物病害识别[D]. 李凯雨.河南农业大学 2018
[5]基于支持向量机的水稻稻瘟病识别技术研究[D]. 赵开才.哈尔滨工程大学 2012
[6]基于图像的水稻病害识别方法的研究[D]. 管泽鑫.浙江理工大学 2010



本文编号：3356019