基于深度学习的青菜病害区域图像语义分割与定位

发布时间：2022-05-06 19:31

　　对青菜病害区域进行识别并将其与正常作物区分隔能够起到保护青菜的作用,及时对相关灾害区域进行处理,能够防止灾害的进一步蔓延。提出了一种基于深度学习的青菜灾害区域图像语义分割的方法,通过fine-tune FCN以像素级精度分割出图像中作物灾害区进行识别,并借助地面安置的图像定位标记判断出灾害在地面上的准确位置。由于目前暂无无人机拍摄的公开青菜病害图像数据集,通过专业无人机采集的方式自建青菜病害区域图像数据集以满足检测需要。结果表明,在自建数据集下fine-tune FCN的mIoU为53.2%,对4种病害类型与健康情况的识别像素精度PA为85.2%,定位精确率为96.8%,能基本满足病害区域检测定位需求。同时,对比了文章中提出的网络架构与SDS,RCNN与FCN在性能上的区别,验证了该网络在病害区域的细粒度检测上拥有更好的鲁棒性。 

【文章页数】：4 页

【部分图文】：

作物图像采集

图1 作物图像采集网络采用全卷积层加池化层的方式,将CNN中的全连接层替换成卷积层。网络的前5层保留CNN的结构,其中第7层采用了大小为(4 096,1,1)的卷积,为了使得在学习过程中能够提取更多的细节特征,在第2组卷积池化网络后又添加了2层卷积层,网络在最后1层使用了大小为(7,1,1)的卷积,分别对应着背景和作物区的6种识别结果,网络最终通过反卷积组合输出1张已经完成标记的图,其中fine-tune FCN的网络结构如图3所示。

同时,单层的输出结果会导致冗余过少和结果太过粗糙,为了优化语义分割结果,在网络结构中设计了Skip Architecture[14-15],对不同池化层的结果上采样,最终优化输出,分别得到fine-tune FCN-32s与fine-tune FCN-16s为中间结果。图4分别给出了Ground truth与通过不同池化层向上反卷积后叠加最终得到的fine-tune FCN-8s、fine-tune FCN-16s、fine-tune FCN-32s的效果,最终输出效果为fine-tune FCN-8s显示效果。图4 不同池化层向上反卷积采样叠加后结果

【参考文献】：
期刊论文
[1]基于深度学习的农作物病害图像识别技术进展[J]. 王彦翔,张艳,杨成娅,孟庆龙,尚静.  浙江农业学报. 2019(04)
[2]基于无人机多光谱图像的云南松虫害区域识别方法[J]. 张军国,韩欢庆,胡春鹤,骆有庆.  农业机械学报. 2018(05)
[3]基于深度学习和支持向量机的4种苜蓿叶部病害图像识别[J]. 秦丰,刘东霞,孙炳达,阮柳,马占鸿,王海光.  中国农业大学学报. 2017(07)
[4]基于内容的图像分割方法综述[J]. 姜枫,顾庆,郝慧珍,李娜,郭延文,陈道蓄.  软件学报. 2017(01)
[5]三份重要水稻资源的稻瘟病抗性鉴定及不同评价指标间的相关性分析[J]. 史婵,陈薇兰,王静,贺闽,陈学伟,李伟滔.  植物保护学报. 2014(04)
[6]山西、河北蔬菜生产质量安全调查[J]. 郝变青,马利平,朱九生,王静,秦曙,王霞,乔雄梧.  山西农业科学. 2013(10)
[7]小青菜病虫害防治[J]. 郭萍.  北京农业. 2012(06)
[8]基于支持向量机的玉米叶部病害识别[J]. 宋凯,孙晓艳,纪建伟.  农业工程学报. 2007(01)
[9]控制果蔬采后病害的生物学技术[J]. 田世平,范青.  植物学通报. 2000(03)



本文编号：3651073