基于深度学习的葡萄叶片病害识别方法研究
近年来由于葡萄栽培方式的特殊性以及全球气候变化等因素影响，葡萄病害的频繁、严重发生已成为葡萄安全、优质生产的重大限制因素，传统的依靠人工进行病害识别、诊断并进行决策的生产方式效率低下且劳动成本高昂，迫切需要实现病害的智能化诊断。作为信息技术的核心之一，人工智能技术为实现农业信息化和智能化提供了重要支撑，随着深度学习技术的快速发展，农业领域中的农作物病虫害识别、检测、分割与计数等研究均取得了一定的进展，对实现病虫害的精准防治、减少经济损失及生物育种等具有重要意义。本研究在结合国内外研究的基础上，基于不同深度学习算法，针对多种常见葡萄叶片病害开展了病害识别检测等相关技术研究，以期为葡萄叶片病害的智能化识别检测提供技术支持，本文的主要研究内容及相关结论如下： (1)为了提高叶片病斑的检测精度和效率，本文提出了一种基于改进FasterR-CNN的葡萄叶片病斑检测方法。以包含倒残差结构的ResNet-50作为特征提取网络，通过注意机制对主干网络所提取的特征图进行优化。由于主干网络中下采样操作使得特征图尺寸减小，丢失了大量细节信息，同时由于数据集中病斑尺度差异较大，为了提高模型对不同尺度特征的适应能力，构造了一个在所有尺度上都具有强语义特征的金字塔，将所提取的高层语义信息融入到底层细节信息中，增强网络的尺度敏感性。针对部分病害图像病斑聚集程度较高的特点，采用软非极大值抑制策略与RoIAlign特征映射方法降低漏检率，提高边界框回归精度。试验结果表明，所提方法对不同病害检测的mAP达到了94.27%，能够为自然场景中作物叶片病害的智能化检测提供技术参考。 (2)单阶段目标检测网络具有模块化程度高、灵活性强等特点，但网络的适应性不强，对于数据集中存在的训练样本不均衡问题极易产生网络偏移，造成模型泛化能力较弱，模型鲁棒性差，导致准确率指标的水平及质量偏低，无法适用于自然环境下更大规模复杂度更高的数据集。针对上述问题，提出了一种基于YOLOX目标检测网络优化得到的葡萄叶片病斑检测模型YOLOX-NAM，通过优化CSPDarknet以及通道标准化操作，避免模型在学习过程产生偏移。为了验证模型的有效性，对比YOLOX-NAM与其他相应目标检测网络的效果。试验结果表明，YOLOX-NAM网络对不同葡萄叶片病斑的mAP为92.31%，且网络对于白粉病的AP值较优化前提升了8%，在不增加参数量的前提下大幅改善了网络对不平衡样本的适应能力，网络病斑检测所取得的mAP指标质量更高。 (3)田间葡萄叶片病斑的纹理、颜色等信息区分难度较大，叶片背景复杂无规律，针对浅层网络无法满足病斑特征的提取，提出了一种基于卷积神经网络的深度学习模型CA-ENet。在EfficientNet-B4网络架构中融入CoordinateAttentionBlock(CAB)模块，实现特征通道与空间信息注意力的整合，强化模型对病斑区域重要特征的学习能力。试验结果表明所提模型的准确率为98.33%，平均F1得分能够达到0.983，能够有效识别复杂条件下的不同葡萄叶片病害，也可为其他作物病害识别的研究提供参考。 (4)针对常用的卷积神经网络参数量大、难以部署的问题，提出一种局部跨信道交互注意机制轻量化模型。基于ShuffleNet轻量级网络与高效通道注意模块，在强化模型的病斑细粒度特征提取能力的同时降低参数量。通过精简网络层结构得到不同体量的轻量级模型ECA-SNet。试验结果表明ECA-SNet0.5×的模型参数量仅为ShuffleNet-v21.0×的1/4，但识别准确率提升了3.3个百分点，达到98.50%，效果明显优于其他常用轻量级模型，为轻量级模型的终端部署奠定了基础。
葡萄;病害识别;叶片图像;特征提取;注意力机制;轻量级网络
西北农林科技大学
硕士
农业电气化与自动化
何东健
2022
中文
S436.631.1;TP391.41
2023-02-14（万方平台首次上网日期，不代表论文的发表时间）