论文部分内容阅读
以往的基于深度学习的植物病害分级检测,往往依赖于大量的图像数据,用直接分类的方式进行分级。并且现阶段大多数的植物病害分级检测都是在单一背景下进行的。单一背景下进行的植物病害分类,看似分类准确率高,实际上此类实验对数据收集来说有着较高的要求,并且实用性不高。并且由于现阶段的分割方法语义分割不能够区分不同的实例,对于图片中有多张叶片的情况不能够区分不同叶片,分割时会将所有叶片分割,为后续的病害分级带来影响。为解决这些弊端,本文特引入了实例分割技术用于病害分级检测,依附实例分割方法做出的病害分级检测不仅可以得到病害的级别,而且还能有效的对所有病斑进行定位和检测,实用性大大增加。依据实例分割现阶段Box free与Box based两大分类,本文从这两个方面分别进行了研究。本文为了进一步的提高病害等级分类的准确率,特对现有的实例分割模型进行了改进,采用了结合BiFPN的网络替换了原有的实例分割特征提取网络,该结构重要意义在于,可以学习到不同特征的重要性,并加以权值解决了以往网络对所有特征“一视同仁”的局限性。本文的主要研究内容如下:,（1）自主收集了实验所需要的咖啡树叶锈病病害图像,共包含5个等级共1560幅图像,并选取了其中1000张图片运用Labelme进行标注,得到了实例分割所需要的标记图,并构建了实验所需要的数据集。同时在模型训练开始,运用了默认的数据扩充方式,反转、裁剪等对数据进行扩充。（2）根据实例分割的两大类型Box free与Box based的代表性网络CondInst、BlendMask。特分为两大部分分别基于原始的实例分割网络CondInst、BlendMask网络运用了原本的骨干网络ResNet50进行特征提取,在建立好的数据集上进行实验。实验记录了部分重要的评价指标数据,以及loss曲线图等,以对实验结果进行对比分析。（3）对于改进后的CondInst、BlendMask网络:CondInst with BiFPN、BlendMask with BiFPN采用了跟原始实例分割网络实验相同的数据集、部分参数等,进行了同样的实验。实验中采用了更深层的ResNet101网络替换了原来的ResNet50网络,并在ResNet101的基础上添加了BiFPN进行双向加权的特征融合,记录了实验中的各个指标并于原始的实例分割网络做了对比分析。BiFPN是在PANet基础上根据主观假设,做了一些针对性的简化,使得参数量更少,并且效果更好的一种连接方式。加入BiFPN的作用是进行更好的特征融合。传统的特征融合的做法是直接堆叠不同尺度的特征,而BiFPN能够让网络自行学习不同输入特征的权重,使得网络能够更好的平衡不同尺度的特征信息。（4）本文依据病斑面积与叶片面积的比例可以转换成像素点统计的原理,由于基于实例分割是像素级别的分类,本文在模型进行像素点分类时,加入了像素点统计的分支。采用了像素点统计的方法进行了植物病害分级处理,分别对基础的CondInst、BlendMask网络和进行改进后的网络进行了病害分级检测,并对实验结果进行了分析。