基于深度学习的复杂背景下苹果叶片病害细粒度图像识别算法研究
农作物病害识别技术对提高农作物产出效益和增强农作物产出质量有重要的意义。传统的病害识别方法依赖个人经验判断，识别速度慢、误判率高。随着计算机技术的发展，基于传统视觉和深度学习的农作物病害识别方法已经取得了一定的进展。但是，传统的作物病害图像识别方法需要人工提取病害图像特征，工作量大且提取的特征并不能代表病害的最优特征。目前，深度学习技术在图像识别领域有着良好的应用前景，卷积神经网络作为深度学习技术的一个重要分支，无需人工处理，可以自主学习图像中的特征信息，具有良好的识别精度和识别速度。但是，现有研究大多关注简单背景下的作物病害图像识别以及作物病害粗粒度图像的分类方法，在自然环境下无法达到较高的识别精度。为了解决实际田间作业背景噪声大、病害特征细粒度高等因素导致病害识别精度低的问题，本文以复杂背景下的苹果叶片病害细粒度图像为研究对象，研究基于改进卷积神经网络和卷积神经网络融合多头自注意力机制的分类算法，实现高精度的苹果叶片病害细粒度图像分类。主要研究内容如下： （1）以苹果叶片病害图像为研究对象，研究复杂背景下的苹果叶片病害细粒度图像分类算法。针对现有网络细粒度特征提取能力弱、背景噪声与叶片信息区分能力差的问题，通过实验对比选择残差网络（ResNet）作为基础网络，对残差瓶颈块中的信息流和快捷投影方式进行改进，并嵌入空洞的金字塔卷积提取病害图像的多尺度特征，从而提高模型的分类精度。研究结果表明，本文提出的improved ResNet能够减少网络的特征丢失，增强模型的学习能力和特征提取能力，在测试集上的分类精度达到了94.99%。与经典卷积神经网络相比，improved ResNet在原始测试集上的准确率提升了3.52%-7.85%，在增广后的测试集上提升了2.12%-3.24%，具有更强的学习能力、更快的收敛速度以及更高的识别精度。 （2）针对卷积操作提取全局信息困难导致现有网络对边缘病斑识别能力弱的问题，本文提出卷积神经网络嵌入视觉转换器的融合模型（ResNet-ViT）。设计实验探究卷积神经网络层数、视觉转换器深度以及自注意力机制头数对模型性能的影响，融合卷积提取的病斑局部信息和多头自注意力机制提取的病斑全局信息，实现对边缘病害的准确识别。最后，本文将研究内容（1）中的improved ResNet模型与ResNet-ViT模型融合，提出imResNet-ViT模型，并与improved ResNet模型相比较。研究结果表明，imResNet-ViT具有较高的分类精度和置信度，在测试集上的平均准确率、精确度、召回率和F1分数分别达到了达到95.44%、95.85%、95.44%和95.64%。 综上所述，本文提出的改进卷积神经网络模型imResNet-ViT模型能够实现复杂背景下苹果叶片病害的细粒度图像准确识别。研究结果表明，该模型可以为苹果叶片病害识别提供理论支持，为作物图像识别检测仪器的研制提供参考，具有一定的理论研究意义和应用价值。
苹果叶片病害;图像识别;卷积神经网络;多头自注意力机制;深度学习
江苏大学
硕士
农业电气化与自动化
孙俊
2022
中文
S436.611.1;TP391.41
2022-10-31（万方平台首次上网日期，不代表论文的发表时间）