论文部分内容阅读
随着计算机视觉技术的不断发展,人工智能技术在农业领域的应用逐渐增多。花椒在我国广泛种植,是具有高附加值的经济林产品,花椒锈病是影响花椒产量以及质量的主要因素,对其感染程度的识别研究具有重要的实用价值。由于花椒锈病区域颜色、形状复杂,依赖林业专家的传统诊断方法对锈病严重程度判断的准确性不高。针对上述问题,本文基于深度学习的方法,对花椒锈病区域的分割识别方法进行了研究,首先通过Goog Le Net对叶片是否有锈病进行判断,然后对花椒锈病叶片进行细粒度分割研究,基于Deep Lab V2模型提出了具有更高分割准确率的模型。本论文所做工作如下:1.采集花椒锈病图片并进行数据筛选等预处理,将花椒锈病图像按叶片、背景、凸起孢子堆部分以及偏褐色病斑部分共分为4类进行标注。本文对100片花椒锈病叶片进行了细粒度精细化标注,经过裁剪后每张图像大小为480×360,数据集总量为5753张。本文构建了较高质量的花椒锈病图像数据集,为花椒锈病分割深度学习模型的训练提供数据支撑。2.针对花椒锈病病斑大多数面积较小且形态复杂的特殊性,本文提出了FASPP(Five-branch Atrous Spatial Pyramid Pooling)模块,构建了基于FASPP模块的花椒锈病分割模型。FASPP模块通过加入空洞率值较小的分支以充分提取图像的多尺度信息,提高锈病区域小目标的识别效果。本文改变新分支的参数并进行性能对比,基于本文制作的图像细粒度分割数据集通过实验得到当新分支空洞率为3时效果提升最大。与原模型的实验结果相比凸起孢子堆识别准确率提高2.68%,偏褐色病斑识别准确率提高3.96%,MIo U提高1.59%。3.本文对图像分割原数据集进行像素值处理制作了差图数据集,提出了锈病区域特征加强的图像分割模型,将差图与原图作为模型的两个分支分别输入到网络中再进行融合。与基于FASPP模块的模型实验结果相比,凸起孢子堆识别准确率提高1.16%,偏褐色病斑识别准确率提高3.24%,MIo U提高1.63%。4.本文考虑到实际应用中的效率问题,适当地减少了分支的网络卷积层数,在不降低模型分割性能的前提下,通过实验仿真提出了图像处理速度更快的图像分割模型。每分钟可处理22张花椒锈病图片,处理速度有一定的提升。