论文部分内容阅读
中国葡萄酒产业发展迅猛,葡萄酒产量和销售量稳步增长。酿酒和鲜食葡萄的大规模、高密度和集群化种植模式给传染性病害的防治带来极大挑战。传统的侵染性试验或依靠经验诊断病害的方法,周期长、主观性强,且盲目喷洒农药,易造成农药残留和病虫抗药性问题。随着技术进步,人工智能、计算机视觉和图像处理技术被越来越多地应用在农业领域,特别在作物病害识别领域。葡萄植株染病时,生理结构和形态特征均会发生变化,如形变、褪色、腐烂等,故将葡萄叶片病害图像作为对象,利用计算机视觉技术和深度神经网络进行病害种类识别的研究,对农产品质量提升和农业生态环境安全具有重要意义。本文针对自然光照下葡萄叶片6种常见病害的识别和诊断方法进行研究,主要包括以下内容:(1)对采集的葡萄病害叶片图像进行数据增强处理,在不改变研究对象的属性和类别的前提下,采用镜像翻转、随机裁剪、添加颜色扰动和噪声等方法增加额外副本拓充样本数量,解决数据集样本数量不足的问题,并根据不同识别方法制作A、B、C三类数据集。(2)葡萄病害的半自动识别:从包含复杂背景的叶片原图中手动截取病斑的外界矩形区域作为实验样本。首先根据6种葡萄病害在颜色、纹理等方面差异提取28种特征,通过特征筛选出20种特征,经过PCA降维实现样本有效特征化,分别测试22种传统分类器,根据各种特征对预测结果的贡献率筛选5种特征用于识别。实验结果表明,传统分类识别方法中的Bagged Trees对基于色度的彩色纹理特征的葡萄病害图像有很好的识别效果,6种病害的平均识别精度为86.67%,尤其对于白粉病具有较高的识别率和鲁棒性,识别率为92.94%。(3)葡萄病害的全自动识别:对于包含复杂背景完整染病叶片样本,本文使用Faster R-CNN模型先检测图像中的叶片,在检出的叶片区域再进行病斑检测,根据用外接矩形框出叶片上病斑区域,最后将该矩形图像送入CNNs进行病害类型识别。检测病斑时仍采用Faster R-CNN。本文的这种策略可以有效避免复杂背景因素和无效区域干扰造成的误检测与误识别。本文对传统机器视觉分类模型中的Bagged Trees进行了测试,与前文中人工截取病斑样本的识别方法作对比。此外,为了在多种卷积神经网络中选择最优的网络,本文测试了AlexNet、VGG-16、VGG-19、GoogLe Net、ResNet50等网络。实验结果表明,传统分类技术在包含复杂背景的病斑样本进行分类时,性能出现显著下降,正确识别率为73.99%。在5种被测的网络模型中,VGG-16表现出卓越的识别性能,对6种葡萄病害的正确识别率为94.48%。该方法对炭疽病、灰霉病、褐斑病、白粉病、黑痘病的识别效果较好,正确识别率均高于90%,其中白粉病的识别率达99.62%。