论文部分内容阅读
作物病害和杂草类型的自动识别对提高作物产量和品质意义重大。数字图像处理用于农作物病害和杂草识别通常要进行图像分割过程,当大田光线变化或背景复杂时会影响图像分割的效果,进而降低后续的识别率。另外,这种方法需要大量特征的提取,计算复杂度过高会降低识别效率。针对这些问题,本文将卷积神经网络(Convolutional Neural Network,CNN)算法用于农作物病害和杂草的自动识别研究中。本文以卷积神经网络算法为基础,针对农业领域海量样本难以获取并标注的问题,引入迁移学习的策略来缓解过拟合现象。主要研究内容和创新点有:(1)针对小数据样本训练深度网络产生的过拟合问题,研究基于浅层CNN模型的农作物病害和杂草识别方法。一方面,探讨了网络深度对作物和杂草识别结果的影响。通过构建6种不同深度的CNN,研究了适合我们的病害和杂草数据集的网络模型,并完成了作物病害和杂草特征的自动提取。另一方面,探索了 CNN的训练机制对病害识别结果的影响。对于农作物病害数据集过小引起的过拟合问题,我们使用相关的PlantVillage数据集来获得预训练模型,并调整参数使其适应到我们的数据集。(2)针对单一CNN识别模型各有所长,能够融合使用提高识别准确率的思想。本文研究了基于深度CNN模型集成和参数微调的农作物病害和杂草识别方法。首先使用数据增强技术来扩充数据集规模,然后本充分利用4种单一的深度CNN网络框架从大数据集中学到的先验知识进行训练和参数微调,缓解数据源不足引起的过拟合问题。最后,通过训练多个神经网络模型并使用直接平均法和加权法将其预测结果进行合成来进一步提高农作物病害和杂草识别的准确率。(3)针对深层CNN模型和参数微调策略识别速度较慢,不利于实际应用的问题,提出基于CNN瓶颈层特征提取的农作物病害和杂草识别系统。该系统将深度CNN模型与基于瓶颈层特征提取的迁移学习策略相结合。利用Inception-v3和具有不同参数的Mobilenet网络作为底层特征提取器进行特征提取,然后通过分类模型对农作物病害和杂草进行识别。在此理论基础上,我们开发了基于Mobilenet模型的农作物病害识别系统和基于Inception-v3模型的玉米杂草识别系统。