论文部分内容阅读
我国是农业大国,在农业生产过程中病虫害的防治自古以来是一大难题。目前农业病虫害的分类及相应的数量统计主要由人工完成,这种方法存在劳动强度大,效率低等不足。传统的机器学习虽说可以实现一定程度上的智能化作业,但是太依赖与特征的选取,而特征的获取又依赖于具体的问题和专业的知识。深度学习的出现使得图像特征的提取完全交给神经网络,提取到的特征更加全面,更有利于目标识别与分割。虽然虫害的识别及分割都已经取得了一定的进展,但是仍面临诸多挑战,大致包括以下三个方面:一是目前的研究大多针对某种或者特定几种虫害进行识别及分割,训练出来的模型适用性差;二是虫害目标检测在实时性方面还有待进一步提高;三是虫害目标检测能获取的相关信息不够全面,基于深度学习的虫害分割研究需要进一步深入,且分割效率有待提高。基于以上问题,本文以4285张涉及5个昆虫目级阶元,危害作物种类多达数百种的37种作物常见虫害图像为研究对象,基于深度学习等相关技术对虫害目标检测及分割展开相关研究。本论文的主要研究工作包括以下几个方面:（1）针对传统人工识别和模式识别在虫害检测方面效率低、预处理复杂、识别准确率低等不足,本文基于单级目标检测模型YOLO（You only look once）对虫害检测展开相关研究。首先分别以Darknet53和Efficientnet作为YOLOv3的主干特征提取网络进行实验,结果表明以Efficientnet作为主干网络时模型整体性能更好,其定位平均准确度均值和平均识别误差率分别为98.89%、1.57%,检测每张虫害图片仅需0.048s;其次对虫害数据集锚框尺寸进行了分析,通过K-means聚类算法得到本数据集目标框长宽比的分布情况,分别以coco数据集的锚框参数和本文数据集通过K-means聚类得到的锚框参数对YOLOv3、YOLOv3-Tiny、YOLOv4及YOLOv4-Tiny进行实验,结果表明以coco数据集锚框参数训练得到的网络在虫害分类和定位方面的结果均好于以本文虫害数据集通过K-means聚类算法获取的锚框参数训练得到的网络的结果;然后分别对YOLOv3、YOLOv4、YOLOv3-Tiny及YOLOv4-Tiny模型进行了实验并对分类及定位性能进行分析,结果表明YOLOv3-Tiny在虫害目标检测中整体性能优于其他模型,其定位平均准确度均值和平均识别误差率分别为98.52%、1.81%,检测每张虫害图片仅需0.030s。最后对实验结果中出现的检测异常情况进行了分析说明。在后续章节中以YOLOv3-tiny模型得到的结果和其他模型进行虫害目标识别及定位两种性能的比较。（2）在农业生产过程中,对虫害目前所处生长发育阶段及虫害数量等信息的判断可以更精准的分析虫情。但是目标检测算法YOLO只能对虫害目标进行分类及定位,无法提供更加全面的虫害信息。本文以目前效果较好的两级分割模型Mask R-CNN为基础展开研究。首先分别以Res Net50、Res Net101及Mobilenet作为主干特征提取网络对模型进行训练,结果表明以Res Net50作为主干网络时模型整体性能最佳,其虫害目标定位及掩膜的平均准确度均值分别为95.58%、91.90%,平均识别误差率为8.57%,处理每张虫害图片耗时0.16s。其次对数据集可能造成分割异常的图像进行了详细介绍。然后对YOLOv3-Tiny和以Res Net50作为主干的Mask R-CNN模型在分类及定位方面的性能进行了比较,在Io U分别取0.5、0.6、0.75时,YOLOv3-Tiny得到的定位平均准确度均值分别比Mask R-CNN高2.94%、3.99%、24.92%,且平均识别误差率比Mask R-CNN低6.76%,处理一张虫害图片耗时仅为Mask R-CNN的18.75%。最后对实验中出现的异常结果进行了分析说明,并在去除部分产生异常的图像后重新进行模型训练,对比发现虫害目标定位及掩膜平均准确度均值分别提高1.60%、1.06%。在后续章节中以Res Net50作为主干时Mask R-CNN模型得到的结果与其他模型进行分类、定位及掩膜性能的比较（3）Mask R-CNN虽然实现了虫害图像的目标分割,但是在实时性上还有待进一步提高。为了在保证分割准确率的条件下,实现更高的分割效率,本文对单阶段分割模型YOLACT（You only look at coefficients）及其改进版YOLACT++展开相关实验。分别以Res Net50、Res Net101作为主干特征提取网络对YOLACT及YOLACT++模型进行训练及验证,结果表明以Res Net101作为主干特征提取网络的YOLACT++模型具有最优的综合性能。在Io U取0.5时,其定位和掩膜平均准确度均值分别达到95.06%、93.15%,平均分类误差率为12.12%,处理每张虫害图像耗时0.080s。在分类及定位方面,通过比较在Io U取0.5、0.6、0.75时,YOLOv3-Tiny、Mask R-CNN、YOLACT及YOLACT++四个模型的结果,YOLOv3-Tiny具有最好的检测效果,其定位平均准确度均值为98.52%,平均识别误差率仅为1.81%,检测每张虫害图片仅需0.030s。在分割方面,通过对Mask R-CNN、YOLACT及YOLACT++三个模型结果的对比,以Res Net101作为主干特征提取网络的YOLACT++模型整体性能最优,在Io U取0.5时,其掩膜分支平均准确度均值和平均识别误差率分别为93.15%、12.12%,分割每张虫害图像仅需0.080s。最后对结果中的异常情况进行了分析说明,并将出现的异常情况与YOLO和Mask R-CNN中出现的异常进行了对比分析。综上,当仅用于虫害目标检测时选择YOLOv3-Tiny模型,如果需要对虫害的形状特征及数量等进行统计分析,选择以Res Net101作为主干特征提取网络的YOLACT++分割模型。这些方法可以快速高效的对虫害进行识别检测及分割,在给农民对虫害的统计计数以及进行虫害防治带来极大的便利的同时,为后期农作物虫害的预测预警提供数据基础,这对于智慧农业发展过程中虫害问题的解决具有一定的参考意义。