论文部分内容阅读
我国既是棉花生产大国又棉花消费大国,棉花产量关系着国计民生,而棉花整个生长周期受到多种病虫害的侵袭,严重影响其产量,因此能快速准确的识别出棉花病虫害的种类并给予及时准确防治对于避免病害进一步扩散进而提高棉花产量至关重要。由于传统的棉花病虫害检测依靠植物保护专家或者经验丰富的农人,费时费力且对于人眼较难观察的微小病变识别准确率低,另外,传统的检测方法需要复杂的人工特征分割与提取,增加了人工成本,且计算复杂度高也造成识别效果不理想。鉴于此,本文将卷积神经网络(convolutional neural network,CNN)算法用于棉花叶部病虫害图像自动识别研究中。本文在CNN算法的基础上,以棉花的枯萎病,黄萎病,棉铃疫病,褐斑病,角斑病,棉叶螨为研究对象展开研究。针对棉花病虫害图像数据集较小容易产生过拟合的问题,引入了迁移学习算法辅以数据增强技术以解决该问题,最后开发了一款APP用于棉花病虫害自动检测。主要研究内容如下:(1)针对本研究搜集的数据,设计了6种不同卷积深度的CNN模型以完成棉花病虫害图像特征的自动提取,并采用Softmax分类器实现病虫害类型的识别,探究了适合本棉花病虫害数据集的深度网络模型。对比了传统的支持向量机(support vector machine,SVM)方法和BP(back propagation,BP)神经网络方法的实验效果。(2)仿照AlexNet模型搭建了5个卷积层和2个全连接层和1个Softmax分类层的网络结构,使用该模型对棉花叶部6种病虫害进行分类研究。本部分实验分两部分,第一部分利用PlantVillage大数据集在搭建的模型上学习来得到预训练模型作为特征提取器并保存模型,然后利用模型迁移、微调参数的迁移学习方式在原始棉花病害数据集上训练我们的模型;第二部分使用数据增强技术对原始棉花病害数据集进行扩充得到的新的数据集,然后用新数据集代替原始数据集重复第一部分实验,得到最终的模型。综合对比了支持SVM和BP神经网络方法以及深度卷积神经网络模型(VGG-19和Google Inception v2)的实验效果。(3)本文将研究的最终模型迁移到Android设备上制作一款APP,以实现棉花叶部病虫害的识别。