论文部分内容阅读
农作物病虫害情况是农业生产活动中面临的主要挑战之一,因其种类繁多且复杂,在诸多特定环境下非常容易爆发从而导致农产品产量下降甚至绝收。而随着社会的不断进步发展,世界总人口的不断增长,农业用地不断缩减;如何确保农作物的产能与市场需求的良性满足就成为了一个日益严峻的课题;而病虫害问题就是这个课题中的关键环节。本文提出一种基于卷积神经网络的农作物病虫害图像分类方法,以全球AI挑战赛提供的迄今为止国内农业领域中实景拍摄植物叶片病害规模最大的数据集(共61类,47637张图片)进行深入研究。本文主要研究工作如下:(1)针对农作物病虫害分类任务,使用基于VGG-16的农作物病虫害分类模型把病虫害分为61类。实验表明,该模型能够对农作物病虫害进行有效辨识,总体识别准确率为76.8%,具有良好的应用前景。(2)详细分析了传统图像分类任务与农作物病虫害分类的异同点,本文使用的病虫害数据集有10个物种,27种病害,10个健康分类,而传统图像分类任务只能把病虫害分为61类,因此专门针对病虫害数据集设计多分支结构。Multi-branches CNN模型使用多分支结构专门针对病虫害数据进行分类,每个种类的农作物都是一个单独的branch,将农作物种类标签作为选择branch的command信号,最终将61类分类问题转化为多分支训练问题。实验表明,该模型能够对农作物病虫害进行有效辨识,总体识别准确率为82.1%,相比CNN模型提高了5%左右的准确率,说明在农作物病虫害分类任务上Multi-Branches CNN模型相较CNN模型在性能上有一定的提升,具有良好的研究前景。(3)同种农作物病虫害程度类间差异较小,因此将细粒度图像分类任务与农作物病虫害图像分类任务相结合,提出使用主流的细粒度图像弱监督分类模型Bilinear CNN和Multi-Branches CNN模型相结合的方法对农作物病虫害图像进行分类,对CNN提取的特征进行Bilinear处理得到Multi-Branches B-CNN模型。实验表明,该模型能够对农作物病虫害进行有效辨识,总体识别准确率为89.2%,相比CNN模型和Multi-Branches CNN模型在分类性能上有了较大提升,说明在农作物病虫害分类任务上Multi-Branches B-CNN模型能够提高分类性能,对其他农作物病虫害分类的研究具有较高的引申指导作用。最后,本文中所涉及农作物病虫害识别理论方法的研讨对比传统方式在各项关键数据性能上有根本的改变和提升,对于解决实际生产过程中可能出现的病虫害问题更具良好的效果。