论文部分内容阅读
水稻病虫害重发、频发严重影响我国水稻的产量和质量。水稻病虫害田间调查旨在获取病虫害发病情况,为后续水稻病虫害的防治提供可靠的依据。目前,人工下田调查的方法存在劳动强度大、主观性强和调查结果不可追溯等问题。为了实现水稻病虫害田间调查智能化,本文针对水稻冠层害虫稻纵卷叶螟和二化螟的为害状,设计并实现了一个智能监测平台,可以实时监测到水稻冠层的害虫为害状。本文主要研究内容与结果如下:(1)基于深度学习的水稻冠层害虫为害状检测算法的研究与改进。由于水稻冠层上稻纵卷叶螟和二化螟的为害状区域在监测图像中所占面积较小,位置和大小多变,为提高两种害虫为害状区域的检测效果,研究并改进了基于Region Proposal的Faster R-CNN检测模型和基于回归的RetinaNet检测模型。改进的Faster R-CNN检测模型分别为候选区域生成网络和分类回归网络设置单独的特征提取网络,提高网络的整体性能,并采用基于三种不同大小滑动窗口的多尺度RPN网络结构,提高小目标的检测效果。改进的RetinaNet模型采用ResNeXt-101作为特征提取网络并结合改进的特征金字塔结构以提升小目标的检测性能,采用Group Normalization方法,解决了小批量归一化引起错误率升高的问题,将Focal loss作为损失函数,解决了单阶段检测网络存在正负样本比例严重失衡的问题。(2)水稻冠层害虫为害状检测模型的训练、测试与分析。为了提高模型的泛化能力,利用镜像翻转、增加亮度与对比度和添加高斯噪声对原始数据进行增强;为验证本文改进算法的有效性,通过迁移学习方法对改进前后的模型进行训练,并在同一测试集下比较各模型的AP、mAP、FPS和P-R曲线。结果表明,基于改进的Faster R-CNN比原始算法的mAP提高了 7.32%,基于改进的RetinaNet 比原始算法的mAP提高了 5.72%。根据水稻病虫害监测平台实时性和准确性的需求,本平台选择了基于改进的RetinaNet检测算法,水稻冠层害虫为害状平均检测精度为93.76%、检测速率为12帧/秒。(3)水稻冠层害虫为害状智能监测平台的设计与实现。该平台硬件包括网络摄像头、设备箱、云台、服务器和PC等。本文设计了平台软件部分,可以控制采集设备实现定时多点采集水稻冠层害虫为害状图像,实时回传至服务器端,显示检测算法对害虫为害状图像的检测结果,并将结果保存在本地。本文基于深度学习目标检测算法设计的水稻害虫为害状智能监测平台,在实际的监测情景下,能够实现检测预警、结果保存等功能,满足实际的需求。