论文部分内容阅读
烟草是我国重要经济作物,烟草行业已成为我国社会经济的重要产业。烟草病害严重制约影响烟草的产量及质量,影响烟业经济发展和烟农的收入。因此,对烟草病害进行有效识别和合理防治,保证烟叶生理健康,提高烟叶产量和品质至关重要。烟草叶片病害种类繁多且病理复杂,目前烟草病害诊断仍存在精准性差、效率低等问题,易造成病害误判,从而不能对其进行有效防治。针对上述问题,本文提出基于卷积神经网络(Convolutional Neural Network,CNN)的烟草病害识别与检测方法,对烟草病害的精准识别与检测进行了初步探究,主要工作如下:(1)构建烟草病害数据集,研究了一种基于图像融合的烟草图像预处理方法。从5到9月在宁阳、莱芜、临沂等地区烟田采集了大田生育期的烟叶,构建了包含普通烟草花叶病、烟草黄瓜花叶病、赤星病、野火病、气候斑点病这五种烟草病害的图像数据集,为烟叶病害相关研究提供了基础数据素材。考虑到数据采集时间跨度大,图像易受光照、阴影等因素的影响,本文研究了烟草图像预处理方法,使用图像增强方法对数据集进行扩充,其次使用MSRCR方法进行消除光照影响处理,再使用Gamma校正方法调整图像对比度,最后通过加权平均法对MSRCR图像和Gamma校正图像进行融合,获得图像融合数据集,从而获得高质量烟草图像数据。(2)以五种危害最为严重的烟草病害(普通烟草花叶病、烟草黄瓜花叶病、赤星病、野火病、气候斑点病)为研究对象,构建烟草识别模型,实现了单张病害图片上单种病害的分类。所提模型是基于Inception V3框架使用迁移学习方法构建,并使用原始数据集、数据增强后数据集、MSRCR数据集、图像融合数据集这四种不同数据集分别在Inception V3和Alex Net模型上进行训练与测试。试验结果表明,Inception V3模型在图像融合数据集上取得90.80%的病害识别准确率,在原始数据集上的准确率为70.00%,相比之下准确率提升了20.80%。Alexnet模型在图像融合数据集上的识别准确率为87.3%,也高于原始数据集上70.4%的准确率,且Inception V3模型整体表现要优于Alexnet模型。实验结果表明图像预处理能够增强图像质量,有助于模型的训练和模型效果的提升。所提出的基于Inception V3烟草病害识别模型实现了对烟草病害的快速准确识别,为烟草病害的防治提供理论基础。(3)基于YOLOv3构建了烟草病害识别检测模型,实现了单张叶片上多种病害的识别检测。首先使用darknet53特征提取网络提取输入病害图像特征并将不同尺度病害特征融合,通过多尺度检测网络生成bounding box。对YOLOv3网络进行改进,提出kmeans++算法对anchor box的宽高进行聚类计算,获取最优宽高,对融合特征进行类别和位置预测,最后通过非极大值抑制算法(NMS)去除冗余框,得到最终bounding box。本文对所提出的YOLOv3病害检测模型与SSD(Single Shot multibox Detector)模型进行了对比测试。试验结果表明,YOLOv3和SSD模型的平均IOU分别为0.81和0.73,当IOU=0.5时,YOLOv3模型在烟草病害数据集上的mAP为0.77,优于SSD的0.69,验证了所提模型能够有效定位烟叶病害区域,为精准防控提供信息支撑。