论文部分内容阅读
中国是一个农业大国,农业是支撑国家经济建设的基础性产业,所以提高农作物产量,提升农业生产水平是重中之重。但是由于自然环境、农作物自身的自然属性等因素,导致农作物病害频发,严重影响了农作物的品质和产量。为此,对农作物病害进行及时准确的诊断对我国农业发展有重大意义。目前我国农作物病害诊断的主要方式仍然是人工识别的方法,以人的经验为中心,对农作物病害种类进行主观判断。由于我国现在大部分农业生产者都缺乏专业知识,很容易对病害种类造成误判,进而错误用药,起不到防治效果,还会造成土壤污染。此外我国农业生产分散,但是农业专家数量少,专业人员无法保证可以及时为农业生产者提供技术支持,进而延误了防治病害的最佳时机,造成不可挽回的经济损失。近年来,随着计算机视觉技术和图像处理技术的发展,使得通过农作物病害图像进行农作物病害的诊断成为可能。通过对农作物病害图像中病害部位(果实、叶片等)的检测,进而判断病害种类。本文利用区域神经网络模型Faster R-CNN对农作物病害图像分别进行检测,识别出图像中病害的种类并准确定位作物发病部位。此外,又利用区域卷积神经网络模型Mask R-CNN对农作物病害图像中的目标进行分割,不仅可以识别出病害种类,还可以精确的分割出作物病斑的轮廓。针对目前农作物病害数据集缺乏的情况,本文制作了新的农作物病害图像数据集FLD4840,包括6种常见作物的17种果实和叶片病害。此数据集可直接应用于区域卷积神经网络模型的训练与检测,本文所有的实验均以此数据集为基础。用Faster R-CNN对病害图像进行检测时,为了提高模型的精度,引入残差网络的思想,用残差网络模型ResNet-50和ResNet-101分别对图像进行特征提取,实验表明基于残差网络的Faster R-CNN模型比原始模型的检测准确率高。此外,为了满足实际应用时检测实时性的要求,引入深度可分离卷积替代原始模型中的标准卷积操作,极大的缩短了训练时间,并且识别精度可满足实际应用的需求。用Mask R-CNN对病害图像进行分割时,由于原始模型的识别准确率已经很好,但是存在计算量大,训练和测试时间长的问题。为了解决上述问题,同样引入深度可分离卷积替代原始模型中的标准卷积操作,建立了轻量级的目标分割模型,在保证模型精度的同时,缩短了模型的训练时间。