基于深度学习的葡萄叶片病害识别方法研究.pdf

摘 要 摘 要 葡萄营养价值丰富，在我国种植面积较广，因此葡萄产业成为农民增收的主打产业 之一，但是在葡萄种植过程中，易受到细菌、环境等影响而产生病害，其中葡萄叶片上 病害居多。因此，利用计算机视觉技术实现葡萄叶片病害识别，为用户提供及时准确的 信息与防治措施，对提高葡萄产量和品质有着重要的意义。本研究针对葡萄叶片常见的 8 种病害，通过图像增广、图像分割与识别方法，实现了葡萄叶片病害识别小程序。本 文主要完成工作如下： （1） 葡萄叶片病害图像预处理方法。通过分析葡萄叶片病害特点，针对病害样 本分布不均衡易导致模型出现过拟合问题，主要通过图像旋转与镜像、亮度调整和基于 对抗式神经网络的图像增强方法完成数据集扩充，通过双线性插值方法进行图像缩放， 经过扩充之后的数据集共4000 张。使用Labelme 标注葡萄叶片区域，为后续葡萄叶片 提取奠定基础。 （2 ） 葡萄叶片提取方法研究。为提高网络模型的训练效率，减少复杂背景对葡 萄病害识别的影响，论文首先在ImageNet 数据集上对Mask R-CNN 网络进行预训练得 到模型参数，然后将模型在本研究数据集上进行微调训练，以实现对模型的参数迁移。 采用 Mask R-CNN 对葡萄叶片进行提取，然后根据填充之后的图像中叶片区域占比情 况，决定对叶片是否进行缩放。占比值低于50%时，对mask 图像再次使用双线性插值 法将叶片区域恢复至原始大小。实验表明，对正常葡萄单叶片、正常葡萄多叶片、病害 葡萄单叶片和病害葡萄多叶片分割的AP 分别是0.9248、0.9129、0.9042、0.8924 。 （3 ） 葡萄叶片病害识别方法研究。为提高葡萄叶片病害识别准确率问题，引入 多尺度卷积核组合的方式，以改进 ResNet 底层对不同尺度特征的响应，并加入 Squeeze-and-Excitation Networks （SENet ）提升网络的特征提取能力，实验表明，提出 的Multi-Scale ResNet 的识别准确率为90.83%，论文开发并实现小程序实现葡萄叶片病 害识别小程序，方便给用户提供葡萄叶片病害知识、病害识别和病害防治信息。 关键字：葡萄叶片；病害识别；深度学习；图像增广；ResNet I 目 录 目 录 摘 要I ABSTRACT III 第一章 绪论 1 1.1 研究背景与意义 1 1.2 国内外研究现状 2 1.2.1 传统识别方法研究现状 2 1.2.2 深度学习方法研究现状 3 1.3 研究主要内容 4 1.4 技术路线 5 1.5 论文组织结构 6 第二章 相关基础理论与技术 8 2.1 图像增广方法 8 2.1.1 图像增广方法概述 8 2.1.2 常用图像增广方法 8 2.1.3 特殊的图像增广方法 9 2.2 图像分割算法 10 2.2.1 图像分割相关理论 10 2.2.2 基于阈值的分割算法 10 2.2.3 基于边缘的分割算法 11 2.2.4 基于神经网络的分割算法 11 2.2.5 基于全卷积实例割的分割算法 11 2.3 图像识别算法 12 2.3.1 传统图像识别算法 12 2.3.2 基于深度学习的图像识别算法 12 2.4 本章小结 14 第三章 基于Mask R-CNN 的葡萄叶片提取方法