论文部分内容阅读
葡萄营养价值丰富,在我国种植面积较广,因此葡萄产业成为农民增收的主打产业之一,但是在葡萄种植过程中,易受到细菌、环境等影响而产生病害,其中葡萄叶片上病害居多。因此,利用计算机视觉技术实现葡萄叶片病害识别,为用户提供及时准确的信息与防治措施,对提高葡萄产量和品质有着重要的意义。本研究针对葡萄叶片常见的8种病害,通过图像增广、图像分割与识别方法,实现了葡萄叶片病害识别小程序。本文主要完成工作如下:(1)葡萄叶片病害图像预处理方法。通过分析葡萄叶片病害特点,针对病害样本分布不均衡易导致模型出现过拟合问题,主要通过图像旋转与镜像、亮度调整和基于对抗式神经网络的图像增强方法完成数据集扩充,通过双线性插值方法进行图像缩放,经过扩充之后的数据集共4000张。使用Labelme标注葡萄叶片区域,为后续葡萄叶片提取奠定基础。(2)葡萄叶片提取方法研究。为提高网络模型的训练效率,减少复杂背景对葡萄病害识别的影响,论文首先在Image Net数据集上对Mask R-CNN网络进行预训练得到模型参数,然后将模型在本研究数据集上进行微调训练,以实现对模型的参数迁移。采用Mask R-CNN对葡萄叶片进行提取,然后根据填充之后的图像中叶片区域占比情况,决定对叶片是否进行缩放。占比值低于50%时,对mask图像再次使用双线性插值法将叶片区域恢复至原始大小。实验表明,对正常葡萄单叶片、正常葡萄多叶片、病害葡萄单叶片和病害葡萄多叶片分割的AP分别是0.9248、0.9129、0.9042、0.8924。(3)葡萄叶片病害识别方法研究。为提高葡萄叶片病害识别准确率问题,引入多尺度卷积核组合的方式,以改进Res Net底层对不同尺度特征的响应,并加入Squeeze-and-Excitation Networks(SENet)提升网络的特征提取能力,实验表明,提出的Multi-Scale Res Net的识别准确率为90.83%,论文开发并实现小程序实现葡萄叶片病害识别小程序,方便给用户提供葡萄叶片病害知识、病害识别和病害防治信息。