基于CNN的水稻常见病虫害图像识别方法研究及系统实现.pdf

摘要 作为 60%人口的主要食物，水稻是世界最重要的粮食作物之一。病害是影响我国水稻 产业健康发展的重要因素，对水稻的产量和经济效益影响非常严重。水稻的病害多见于水 稻的叶片部位，水稻病害的精确识别对进行病害防治措施有着重要的帮助。当下进行水稻 病害识别主要依赖具备相当知识的农业专业技术人员在农田现场进行识别，该方法不仅对 人力物力有着巨大的消耗，而且对农业技术人员的专业素养有着较高的要求，且辨别主观 性太高，有着相当程度 的误差，不利于第一时间进行病害防治。所以进行水稻叶片叶斑分 割与病害检测方法研究对水稻病害精确识别有着重要意义。论文的主要研究方法及结论如 下： （１）结合 SgSr 空间和 HSV 空间，实现水稻叶片 图像和叶斑图像分割 。本方法兼具 HSV 空间对绿色植物颜色敏感度 的优势和传统 RGB 空间阈值分割 自动化的优势，解决了 阴影对传统分割方式干扰，同时将水稻叶片分割和水稻叶斑分割的过程标准化 。将上述方 法用在 79 个样本中进行实验，结果证明，水稻叶片分割平均交并比达到 90% 以上的样本 占比 98.73%，水稻叶斑分割平均交并比达到 90% 以上的样主本占比为 86.07% 。结合 SgSr 空间和 HSV 空间的图像分割方法能够在叶片与背景，叶斑与叶片分割 中获得良好的实验 效果。 （２）建立迁移学习下的融合 CBAM 注意力机制的 Resnet50 水稻病虫害分类模型并 实现常见水稻病虫害识别。在模型训练之前，首先进行数据集 图像增强、批标准化操作、 然后进行背景叶片分割，以增强模型训练的效率、减少不必要的算力浪费。模型使用残差 块深度卷积神经网络 Resnet50 ，该神经网络具有迁移学习方法的网络泛化性、节省算力的 优点，同时还具有 CBAM 注意力机制使模型更集 中于特征矩阵中更有价值信息的优点，从 而避免因网络深度加深而出现的梯度爆炸问题。然后针对 4023 个样本的数据集对基础 Resnet50、迁移学习下 Resnet50 以及迁移学习下的混合了 CBAM 注意力机制的 Resnet50 三种模型进行实验。发现迁移学习方法使基础模型 的准确率提升了 15.1%，CBAM 注意力 机制使迁移学习下的 Resnet50 模型 的准确率提升了 5.8%，最终模型准确率为 84.1%，能较 好的完成分类任务 。 （３）水稻叶片叶斑分割及病虫害识别系统软件框架设计。前端用户可视化操作界面 (Graphical User Interface, GUI)采用 PyQT 搭建；后端使用 Python 完成主体部分的数据流转 I 基于卷积神经网络的水稻常见病虫害图像识别方法研究及系统实现 任务；Opencv 工具包实现包括水稻 图像叶片和叶斑分割方法在内的所有图像基本操作；本 研究解决的水稻常见病虫害分类模型实现本系统的图像识别。系统主要功能包括：水稻叶 斑分割、水稻常见病虫害识别、主要病虫害简介、病虫害成因和防治措施。 关键词 ：图像分割；病虫害识别；ResNet50 ；迁移学习；CBAM II 目录 摘要I Abstract III 1 绪论 1 1.1 选题背景 1 1.2 研究目的及意义 2 1.2.1 研究目的 2 1.2.2 研究意义 3 1.3 国内外研究现状 3 1.3.1 基于传统图像处理方法的病虫害识别研究现状 3 1.3.2 基于卷积神经网络的病虫害识别研究现状 5 1.3.3 存在问题及进一步研究方向 6 1.4 研究目标、内容、技术路线 6 1.4.1 研究目标 6 1.4.2