论文部分内容阅读
苹果是我国产量最大的水果,而病害是影响我国苹果产业健康发展的重要因素,严重影响苹果的产量和经济效益。苹果叶片常见病害有锈病、灰斑病、斑点落叶病、花叶病、褐斑病等。这些病害引起叶片颜色改变,甚至叶片脱落,叶片大量脱落会削弱果树的树势,降低树体对病害的抵抗能力,导致果实减产或品质下降。因此,快速、准确识别苹果叶片病害及病害程度,对苹果病害精准防治及减少经济损失具有重要的意义。针对基于图像处理的病害识别需要人工挑选图像特征及识别模型普适性和迁移性差等问题。本文以苹果叶片病害图像为研究对象,重点研究基于深度学习的苹果叶片病害识别以及基于深度学习的苹果叶片病害图像语义分割。为实现苹果叶片病害的自动、高效、准确的诊断提供技术支持。论文的主要研究内容及结论如下:(1)提出一种融合Xception及DenseNet网络优点的XDNet深度学习网络。首先,采用角度干扰、光线干扰、噪声干扰以及颜色空间干扰等数据增强技术,对收集的苹果叶片病害数据集进行扩充,建立了包含5种常见叶片病害和健康叶片图像的数据集。然后,结合Xception网络参数少、运算快,而DenseNet网络特征重用性能好的优点,在Xception网络的深层融入DenseNet中的密集连接模块,构建XDNet网络。首先将所有网络进行预训练,然后在收集的苹果叶片病害数据上进行实验。试验结果表明,提出的XDNet网络的病害识别准确率达到98.35%,比Xception、DenseNet,以及其他经典的深度学习分类网络性能更好。且采用的数据增强操作以及迁移学习提升了模型的分型性能和收敛速度。(2)提出SE-DEEP模块,将具有通道注意力的SE(SqueezeandExcitation,SE)模块与深度可分离卷积融合,并将SE-DEEP模块融入Xception网络构建SE_Xception网络,然后通过实验对其进行轻量化,设计了SE_miniXception网络。针对Xception网络中深度可分离卷积的特点,在SE模块作者所提出的4种SE模块与其他CNN网络融合的方案之外,提出了SE-DEEP模块,将SE模块与深度可分离卷积融合,即将SE模块插入到深度可分离卷积的深度卷积与点卷积之间,并采用SE-DEEP模块对Xception网络进行改进,提出了SE_Xception网络,其病害识别准确率达到99.40%。考虑到病害识别模型在移动端部署的需要,通过压缩模型深度和宽度的方法对SE_Xception网络进行了压缩实验,通过实验对比设计了SE_miniXception网络,实验证明SE_miniXception的病害识别准确率达到97.01%,高于MobileNet与ShuffleNet,模型压缩比达到69:1,满足网络在移动端部署的参数量及运算量的需求。(3)对比了U-Net、DeepLabV3 、PSPNet、SegNet等语义分割网络在苹果叶部病斑分割中的性能,优选了用于苹果叶片病斑分割的网络。采用迁移学习与数据增强策略,在不同超参数组合条件下,对上述4种网络进行试验,以得到较优的超参数组合。试验结果表明,U-Net在苹果叶片病害图像语义分割任务中具有最好的性能,苹果叶部病斑分割的平均交并比达到93.21%。选用ImageNet数据集上预训练的MobileNetV1作为U-Net网络的骨干网络,可取得最好的病害分割结果。(4)融合全局空间注意力的苹果叶片病害图像语义分割网络构建。提出了斜纹池化方法和十字交叉池化方法,构建了提升网络全局空间注意力提取能力的斜纹池化模块(TwillPoolingModule,TPM)、十字交叉池化模块(DoubleCrossPoolingModule,DCPM)以及十字交叉混合池化模块(DoubleCrossMixedPoolingModule,DCMPM),并将所设计的模块融入U-Net,构建了DCPU-Net网络。将各模块加入到U-Net网络进行实验,为不同位置选择合适模块融入所设计的DCPU-Net网络。在与U-Net融合实验中,所提出的TPM、DCPM比SPM性能更好,DCMPM模块也比MPM模块的分割性能更好。设计的DCPU-Net平均交并比达到95.46%,比U-Net提升了2.09%。(5)苹果叶片病害识别与病害程度诊断软件系统框架设计。采用B/S模式,前端采用Vue框架并使用HTML、CSS、Javascript进行编写,后端基于SpringBoot框架,采用Java语言进行开发,利用所设计DCPU-Net为后台模型,实现对病害的识别与病斑语义分割,并在病斑分割结果基础上,依据国家标准进行病害程度诊断。用户可输入指定果园区域抽样点的病害图像,系统可计算一个果园区域的病情指数,并为用户提供防治建议。系统还具有果农交流论坛以及常见病害防治科普等功能。主要功能测试结果表明,该系统界面简洁易用,能够实现预期的病害识别与病害程度诊断功能。病害程度及果园病情估计功能测试结果表明,系统的病害识别准确率达到96.52%,病害程度诊断准确率达到85.81%,果园区域病情估计模块能够实现预定功能且能够对各种特殊情况作出处理。