论文部分内容阅读
卷积神经网络(Convolutional Neural Network,CNN)是一种应用较为广泛的深度学习模型,它凭借自身的卷积滤波和池化操作等特性,可以有效降低网络复杂度,不仅能够赋予模型对平移、扭曲、缩放等操作一定程度的不变性,并表现出较强的鲁棒性和容错能力。另外,卷积神经网络能够同时进行特征提取和模式识别,从而避免了复杂的显式特征提取过程,因此更易于网络的训练和优化。近年来,CNN在农业病害图像识别等领域中发挥着重要的作用。目标检测算法是通过获取目标图像的几何和统计特征进行的类似于图像分割的过程,主要分为目标分类与目标定位。目标分类的任务是获取图像中包含的目标类别标签;目标定位的任务是获取感兴趣区域在图像中的坐标值。近年来,特别是在较复杂的场景中,能够实现实时的多个目标自动识别和定位是非常重要的。YOLO(You Only Look Once)算法利用卷积神经网络将特征提取网络、位置框预测和类别预测统一到一个框架中,实现了端到端的训练,能够自动的学习任务,实现多层非线性变换,获取图像的高层抽象描述。本文为实现茶叶嫩芽检测和叶部病害图像识别,展开了目标检测算法和卷积神经网络模型的相关研究工作,主要研究内容如下:(1)提出了一种基于YOLOv3的茶叶嫩芽检测算法(Darknet_tea算法)。将其首次应用到复杂背景下的茶叶嫩芽图像的检测中,并从多尺度检测方面对YOLO v3网络架构进行了改进。原始的YOLOv3算法在在三个不同的特征响应图进行检测框和目标类别的回归,单个网格则预测了9个不同尺寸的目标框,从而造成模型计算量较大。考虑到实地拍摄的茶叶嫩芽区域占据图像中的位置较大,茶叶嫩芽和老叶存在形状和颜色差异,因此,在提取图像的超绿特征以及使用OSTU算法进行图像分割的基础上,本文提出的Darknet_tea算法只在13×13和26×26两个尺度上进行预测回归,不仅提高了茶叶嫩芽检测的准确率,而且减少了网络的计算量。(2)提出了基于深度卷积对抗生成网络(Deep Convolution Generative Adversarial Networks,DCGAN)的茶叶叶部病害图像生成。在实验数据的采集过程中,由于每种病害的发生程度和时间不同,导致拍摄的部分病害的数量较少,因此为扩充茶叶叶部病害图像数据集和均衡每种病害种类的数量,使用了DCGNN进行数据增强,为茶叶叶部病害图像的识别打下了基础。(3)提出了基于卷积神经网络的茶叶叶部病害图像识别。为防止过拟合的出现,加入了Dropout、局部对比度归一化(Local Contrast Normalization,LRN);为增加网络的稀疏性和消除梯度弥散,在模型中使用线性整流函数(Rectified Linear Unit,ReLU)作为激活函数,加快了网络的收敛,完善了网络的结构。