茶叶是我国重要的农业作物,但其生长过程易受虫害的影响。茶尺蠖是分布最广、危害最严重的茶叶害虫之一。茶尺蠖啃食茶叶嫩芽,危害茶树,降低了茶叶的质量和产量。准确地分割出自然场景图像中的茶尺蠖,实现图像中的茶尺蠖的自动检测和定位,有利于对茶尺蠖的精准防治。卷积神经网络在植物害虫图像分割领域有着广泛的应用。然而,在自然场景下采集的茶叶茶尺蠖图像光照不均匀,包含较多复杂的背景信息,茶尺蠖自身体积小不易被察觉,另外卷积神经网络的训练需要依赖大量的样本以及精确的标注信息,大大提高了训练成本。这些因素都为自然场景图像中茶叶茶尺蠖的精确分割带来了巨大挑战和困难。本文通过构建判别金字塔网络,解决自然场景下茶叶茶尺蠖类内不一致与类间相似性的问题,提高自然场景图像中茶叶茶尺蠖语义分割精度,采用弱监督学习方法降低训练样本的标注成本,实现低成本的茶叶茶尺蠖语义分割。本文主要内容及研究成果如下:1、提出了一种基于判别金字塔网络的自然场景图像中茶叶茶尺蠖语义分割的方法。所构建的判别金字塔网络包含两个子网络:注意力子网络和边界子网络。注意力子网络通过金字塔结构和全局平均池化获取目标不同尺度的上下文信息,增加感受野以关注茶叶茶尺蠖这类小目标物体,解决茶叶茶尺蠖形状变化差异大、体积小、难以分割的类内不一致的问题。边界子网络通过提取和监督学习语义边界信息,帮助网络学习到额外的更具判别性的特征,从而增大茶叶茶尺蠖与背景之间的差异,解决茶尺蠖与茶叶茎秆、病害枯死的茶叶等类间相似性的问题,最终实现在自然场景下茶叶茶尺蠖的语义分割。根据茶尺蠖语义分割结果,统计出该区域内害虫数目。实验结果表明,与其他传统图像处理方法和经典语义分割模型相比,基于判别金字塔网络的茶叶茶尺蠖语义分割方法准确率显著提高。2、提出了一种基于类激活特征图的自然场景图像中茶叶茶尺蠖弱监督语义分割的方法。训练全监督卷积神经网络的语义分割模型除了需要大量的样本之外,还需要对样本进行精确标注,因此带来了高昂的人工标注成本。本文在图像级分类标签的基础上,给出了一种基于类激活特征图的茶叶茶尺蠖弱监督语义分割方法。首先,以Resnet34作为特征提取网络,根据茶尺蠖细长的外观特点,引入条状池化,捕捉图像中茶尺蠖更有效的特征信息。其次,采用Grad-CAM++类激活特征图得到初始种子区域,并应用膨胀和闭运算扩充目标区域,以进一步优化激活区域,缩小种子区域与真实值之间的差异。最后,将得到的更为精确有效的初始伪Mask输入Deep Lab V3+语义分割模型,得到茶叶茶尺蠖语义分割结果。实验结果表明,通过条状池化、GradCAM++和膨胀、闭运算等处理可以提高茶叶茶尺蠖的弱监督语义分割的性能,弱监督的分割方法实现了低成本的茶叶茶尺蠖语义分割。