论文部分内容阅读
农作物病害对农业的产量有着十分巨大的负影响,如何对农作物病害进行快速、准确的识别成为了挽回农业损失亟待解决的问题。传统的农作物病害识别大多采取人工的方式,主要由农民自己在田间对农作物病害进行诊断、识别,这很依赖于农民自身对农作物病害的经验,而且还存在个人主观因素强、识别效率低、识别错误率高等问题。近几年,机器学习和深度学习逐步应用在了农作物病害识别中,并且取得了不错的效果,尤其是采用深度学习技术对农作物病害进行识别已经成为当下研究的热点问题之一。目前的研究采用的大多是较为浅层的神经网络,但是深层的神经网络可以提取出更多的特征信息,所以采用更为深层的神经网络模型对农作物病害进行识别,准确率可以进一步的提高。另外,大多数的研究都只是识别出农作物病害的种类,没有对农作物病害进行更加细粒度的识别。在实际的生产活动中,农作物所患病害的程度不同,所采取的治疗方案以及用药量等都会不同。对农作物病害进行更加细粒度的识别,在病害治疗、减少农药的用量、保护农作物本身和保护自然环境等方面更加具有意义。本论文基于深度残差神经网络,以农作物病害的识别为出发点,分别研究了单种类农作物病害识别方法和多种类农作物细粒度病害识别方法:1.在单种类农作物病害识别中设计SVD-ResNet50模型:首先采用水平翻转与旋转的数据增强方式,将数据集中图片数量少于1000张类别的图片数量补足1000张左右,减小模型在训练过程中因图片数量之间的差异所造成的影响。然后将图片大小归一化为224像素×224像素。接着采用奇异值分解技术(SVD)对数据集中的图片进行处理,提取图片中的重要信息、去除图片中的噪声,并在一定程度上压缩图片,降低图片维度,方便模型训练。最后通过调整原始ResNet-50的初始化器与优化器对网络模型进行优化。实验表明,在番茄病害识别任务中,SVD-ResNet50的识别效果优于目前已有的模型。2.在多种类农作物细粒度病害识别中提出MDFC-ResNet模型:基于SVDResNet50模型,从物种、粗粒度病害、细粒度病害三个维度出发建立多维度神经网络模型,同时创建补偿层和补偿算法,利用物种识别结果和粗粒度病害识别结果对细粒度病害的识别结果进行补偿,从而提高细粒度病害的识别准确率。实验表明,在10种农作物的59种细粒度病害的识别任务中,MDFC-ResNet模型相比于传统的神经网络模型具有更好的识别效果。