论文部分内容阅读
玉米是世界上种植最广泛的谷类作物。在我国，玉米的种植面积和总产量仅次于水稻和小麦，居第三位。近年来，由于农业生产水平的提高、作物品种的更换、生态环境的变化以及耕作方式的改变，玉米病虫害发生面积和危害程度随之呈现加重趋势。基于传统信息技术的农作物病虫害识别方法，需要针对病虫害类型精心设计提取特征，具有较高的复杂性以及专业性，消耗大量人力资源，严重影响了计算机技术在我国农业领域的快速普及。因此，急需挖掘更快速、更高效的研究方法针对玉米等农作物病虫害进行精准识别与诊治，加快现代农业发展。随着信息技术的日益成熟、海量数据被挖掘利用，通过对机器学习、人工智能、物联网、大数据等关键技术进行深入研究，不断将其与农业领域进行深度融合，为农业用户生产中，农作物的精准施肥、节水灌溉、病虫害诊治、变量喷药提供了强大的技术支撑。大数据时代信息技术在农业领域的研究具有广阔的应用前景，是智慧农业的发展方向，也必将成为改变我国农业发展现状的重要手段。
针对上述问题及研究现状，本文依托于国家星火计划“基于物联网的玉米精准作业技术集成与示范”项目，研究对象是大田环境下采集的基于复杂背景的玉米螟虫害图像和公开数据集图像，研究方法是利用改进的Canny边缘检测算法对简单处理后的图像进行病虫害边缘特征检测，同时结合具有深度学习能力的卷积神经网络技术进行玉米虫害识别，开发出基于改进Canny算法和卷积神经网络的玉米螟虫害识别模型。本文主要研究工作如下：
(1)构建玉米螟虫害识别模型数据集
采集和整理国家“863”项目及星火计划项目中玉米病虫害图像资料，结合以往玉米田间监测提取到的图像和公开数据集图像作为实验数据；将获取到的样本数据进行数据增强、预处理等操作，为仿真实验提供充分的数据集，弥补小样本数据训练带来的缺陷，提升训练模型的适用性。
(2)对Canny算法进行改进
针对经典的Canny算法进行图像数据处理时存在边缘检测效果不佳、检测准确率低等问题，对Canny算法中的滤波器、梯度幅值计算方法和阈值判定方式进行改进，然后将其运用到图像边缘检测中，同时根据边缘检测效果对算法参数进行微调，并将优化后的Canny算法与对照算法进行仿真实验与结果分析，得到了更适合玉米螟虫图像边缘检测的算法。
(3)对Inception-V4模型进行改进
针对通过迁移学习方法引入的Inception-V4结构在进行玉米病虫害图像识别时存在准确率低等问题，改进模型的激活函数、增加辅助分类器、更换梯度下降算法等结构对网络进行优化，以提升网络性能和模型的识别准确率，同时对改进前后基于病虫害原图的实验数据进行了对比分析。
(4)构建基于Canny算法和卷积神经网络算法的病虫害识别模型
分析了现有作物病虫害识别模型的缺陷和不足，明确了Canny算法与卷积神经网络算法相结合的玉米病虫害识别模型研究思路：首先利用改进的Canny算法对预处理后的病虫害图像进行边缘特征提取，将其作为卷积神经网络的数据输入；然后利用优化后的卷积神经网络对上层数据进行训练，并在训练过程中针对模型表现出来问题进行优化调整；最后加入BN操作加速模型收敛，构建出基于Canny算法和卷积神经网络算法的玉米病虫害识别模型。
经实验结果表明，基于Canny算法和卷积神经网络算法的玉米螟虫害识别模型，可以更好的实现对玉米螟虫的快速识别与诊断，可为农业病虫害识别领域的发展提供一定的理论基础。
针对上述问题及研究现状，本文依托于国家星火计划“基于物联网的玉米精准作业技术集成与示范”项目，研究对象是大田环境下采集的基于复杂背景的玉米螟虫害图像和公开数据集图像，研究方法是利用改进的Canny边缘检测算法对简单处理后的图像进行病虫害边缘特征检测，同时结合具有深度学习能力的卷积神经网络技术进行玉米虫害识别，开发出基于改进Canny算法和卷积神经网络的玉米螟虫害识别模型。本文主要研究工作如下：
(1)构建玉米螟虫害识别模型数据集
采集和整理国家“863”项目及星火计划项目中玉米病虫害图像资料，结合以往玉米田间监测提取到的图像和公开数据集图像作为实验数据；将获取到的样本数据进行数据增强、预处理等操作，为仿真实验提供充分的数据集，弥补小样本数据训练带来的缺陷，提升训练模型的适用性。
(2)对Canny算法进行改进
针对经典的Canny算法进行图像数据处理时存在边缘检测效果不佳、检测准确率低等问题，对Canny算法中的滤波器、梯度幅值计算方法和阈值判定方式进行改进，然后将其运用到图像边缘检测中，同时根据边缘检测效果对算法参数进行微调，并将优化后的Canny算法与对照算法进行仿真实验与结果分析，得到了更适合玉米螟虫图像边缘检测的算法。
(3)对Inception-V4模型进行改进
针对通过迁移学习方法引入的Inception-V4结构在进行玉米病虫害图像识别时存在准确率低等问题，改进模型的激活函数、增加辅助分类器、更换梯度下降算法等结构对网络进行优化，以提升网络性能和模型的识别准确率，同时对改进前后基于病虫害原图的实验数据进行了对比分析。
(4)构建基于Canny算法和卷积神经网络算法的病虫害识别模型
分析了现有作物病虫害识别模型的缺陷和不足，明确了Canny算法与卷积神经网络算法相结合的玉米病虫害识别模型研究思路：首先利用改进的Canny算法对预处理后的病虫害图像进行边缘特征提取，将其作为卷积神经网络的数据输入；然后利用优化后的卷积神经网络对上层数据进行训练，并在训练过程中针对模型表现出来问题进行优化调整；最后加入BN操作加速模型收敛，构建出基于Canny算法和卷积神经网络算法的玉米病虫害识别模型。
经实验结果表明，基于Canny算法和卷积神经网络算法的玉米螟虫害识别模型，可以更好的实现对玉米螟虫的快速识别与诊断，可为农业病虫害识别领域的发展提供一定的理论基础。