论文部分内容阅读
近年来，随着绿色农业概念的提出，作物病害的防治问题受到极为广泛的关注。目前，计算机视觉技术在作物病害识别领域中的应用已经取得了一定的研究成果，然而基于传统机器视觉的病害识别方法需要依赖人工特征选取，难以全面的反应作物叶片病害特性，精确率仍有待提高。卷积神经网络是一种深度学习算法，可有效避免传统计算机视觉技术繁琐的特征选择过程，并实现比传统算法更高的识别精度，但是，现有基于深度学习的叶片病害识别模型存在参数量大等问题。鉴于此，本文以简单背景以及实际复杂背景下作物叶片病害图片为研究对象，改进了卷积神经网络算法并应用于作物叶片病害识别研究中。具体内容如下：
(1)针对卷积神经网络模型参数量与计算量大、收敛速度慢的问题，提出了采用深度可分离卷积与全局均值池化相结合的方法改进卷积神经网络以减少参数量与计算量；提出了采用残差连接与加入批归一化层改进卷积神经网络加速模型收敛，实现简单背景下作物叶片病害的快速精确识别。研究结果表明，本文所提出的DW-ResNet算法模型收敛速度较快，残差连接可以提升模型的精度与收敛速度。与基于微调VGG模型和传统机器学习的病害识别方法相比，DW-ResNet算法具有较高的病害识别准确率，在叶片病害分类和病害严重程度分类数据集上的测试准确率分别达到了98.59%与89.16%，模型的推理时间仅为21ms。
(2)针对实际环境下复杂背景作物叶片病害识别难度大、所采集的病害数据量小的问题，引入迁移学习策略实现模型参数迁移，进而实现小样本数据集的有效训练。利用简单背景作物叶片病害数据集对轻量级卷积神经网络模型进行预训练，解决广义识别中预训练模型的参数量大以及其对细粒度特征提取能力较弱的问题。针对实际作物叶片病害数据集中类别分布不平衡现象，提出了multiFL损失函数，以加强模型对少数样本类别以及难分样本的学习能力。研究结果表明，本文所提出的multiFL损失函数在处理不平衡数据集时具有较好的性能，相比微调MobileNet-v2的方法，使用multiFL损失函数的DW-ResNet-FL模型抗干扰性能力更强，在加噪测试集上的F1分数仍能达到90.60%，具有较好鲁棒性。另外DW-ResNet-FL算法模型在占用内存大小方面更具优势，占用内存大小仅为2.1MB。
综上所述，本文提出的基于改进轻量级卷积神经网络的作物叶片病害识别方法能够实现对实际复杂背景环境下的作物叶片病害高精度快速识别。该研究结果可为作物叶片病害准确、鲁棒诊断提供技术支撑，为作物叶片病害智能识别软件的开发提供借鉴性技术，具有一定的理论研究意义与实际应用价值。
(1)针对卷积神经网络模型参数量与计算量大、收敛速度慢的问题，提出了采用深度可分离卷积与全局均值池化相结合的方法改进卷积神经网络以减少参数量与计算量；提出了采用残差连接与加入批归一化层改进卷积神经网络加速模型收敛，实现简单背景下作物叶片病害的快速精确识别。研究结果表明，本文所提出的DW-ResNet算法模型收敛速度较快，残差连接可以提升模型的精度与收敛速度。与基于微调VGG模型和传统机器学习的病害识别方法相比，DW-ResNet算法具有较高的病害识别准确率，在叶片病害分类和病害严重程度分类数据集上的测试准确率分别达到了98.59%与89.16%，模型的推理时间仅为21ms。
(2)针对实际环境下复杂背景作物叶片病害识别难度大、所采集的病害数据量小的问题，引入迁移学习策略实现模型参数迁移，进而实现小样本数据集的有效训练。利用简单背景作物叶片病害数据集对轻量级卷积神经网络模型进行预训练，解决广义识别中预训练模型的参数量大以及其对细粒度特征提取能力较弱的问题。针对实际作物叶片病害数据集中类别分布不平衡现象，提出了multiFL损失函数，以加强模型对少数样本类别以及难分样本的学习能力。研究结果表明，本文所提出的multiFL损失函数在处理不平衡数据集时具有较好的性能，相比微调MobileNet-v2的方法，使用multiFL损失函数的DW-ResNet-FL模型抗干扰性能力更强，在加噪测试集上的F1分数仍能达到90.60%，具有较好鲁棒性。另外DW-ResNet-FL算法模型在占用内存大小方面更具优势，占用内存大小仅为2.1MB。
综上所述，本文提出的基于改进轻量级卷积神经网络的作物叶片病害识别方法能够实现对实际复杂背景环境下的作物叶片病害高精度快速识别。该研究结果可为作物叶片病害准确、鲁棒诊断提供技术支撑，为作物叶片病害智能识别软件的开发提供借鉴性技术，具有一定的理论研究意义与实际应用价值。