基于机器视觉的水稻病害识别技术研究.pdfVIP

摘要

水稻作为我国第二大粮食作物，其产量直接关系到我国粮食安全和国民经济

的稳定与发展。传统病害识别主要依靠人工鉴别，但这种方法对专业性经验要求

较高，判定结果主观性强、误差大、效率低，无法满足大范围种植区域的及时诊

断和防治。近年来，研究人员利用卷积神经网络模型在农作物病害识别方面取得

了显著进展，然而在计算资源受限的情况下水稻病害识别模型仍存在精度较低的

问题。此外卷积神经网络模型需要大量的数据训练才能获得较好的识别效果，而

水稻病害图像标注成本太高、数据规模有限，限制了模型的精度。针对上述问

题，本文对轻量级卷积神经网络模型和自监督学习方法进行研究。主要工作内容

如下：

(1)针对基于机器视觉的水稻病害识别方法对图像数据的需求，构建了包含细

菌性叶枯病、条斑病和稻瘟病等9种水稻病害共8643张病害图像数据集。为实现

自监督学习的水稻病害识别研究，从开源图像库、农业研究机构和搜索引擎收集

了15996张无标签水稻图像，构建了无标签水稻病害图像数据集。

(2)为解决在计算资源受限的情况下水稻病害识别模型精度低的问题，提出一

种改进的轻量级卷积神经网络水稻病害识别模型。首先在网络的末端加入一层全

连接层，通过降维减少数据的维度，提高模型的学习和表达能力。同时在全连接

层之后加入SiLU激活函数，进一步提升模型的非线性表达能力。最后使用Ghost

模块替换原始网络中的首层卷积层，降低模型的计算复杂度。实验结果表明，改

进的轻量级卷积神经网络水稻病害识别模型参数量仅为4.67M，能够达到96.88%

的准确率具有较好的识别精度。

(3)针对水稻病害识别领域病害样本标注成本过高、数量有限，限制了模型精

度的问题，采用自监督学习方法利用大量无标签水稻病害图像来进一步提升模型

精度。该方法利用大量无标签水稻病害图像对VisionTransformer(VIT)网络进行预

训练，通过预测被随机遮掩的水稻病害图像学习图像自身的复杂特征表示，帮助

VIT网络获得能够更好适配于后续水稻病害识别任务的网络权重，并通过迁移学

习和微调模型以提升识别精度。实验结果表明，在大量无标签水稻病害图像上采

用自监督学习方法对模型预训练，能有效提高水稻病害识别模型的精度。

关键词：水稻病害识别；机器视觉；卷积神经网络；自监督学习；Vision

Transformer

Abstract

Asthesecondlargestfoodcropinmycountry,ricesoutputisdirectlyrelatedto

mycountrysfoodsecurityandthestabilityanddevelopmentofthenationaleconomy.

Traditionaldiseaseidentificationmainlyreliesonmanualidentification,butthismethod

requireshighprofessionalexperience.Thedeterminationresultsarehighlysubjective,

havelargeerrors,andhavelowefficiency.Itcannotmeettheneedsoftimelydiagnosis

andpreventioninlarge-scaleplantingareas.Inrecentyears,researchershavemade

significantprogressincropdiseaseidentificationusingconvolutionalneuralnetwork

models.However,ricediseaseidentificationmodelsstillsufferfromlowaccuracywhen

computingresourcesarelimited.Inaddition,theconvolutionalneuralnetworkmodel

requiresalargeamou