论文部分内容阅读
病虫害与种子品种的准确识别对提高作物产量与品质、减少经济损失、保障粮食安全具有重要意义。采集了大豆病虫害数字图像与大豆种子的高光谱图像,利用深度学习和光谱分析技术对其进行识别分类,构建了多个大豆病虫害和种子品种的识别模型,主要结果如下:1.采集了不同背景下的14种大豆病虫害图像,经翻转、旋转等数据增强后将数据集扩充8倍,共获得18016张图像并以7:2:1的比例划分训练集、验证集、测试集,然后对预训练网络微调后进行迁移训练:AlexNet、DenseNet-201、Xception、Inception-v3、MobileNet-v2、SqueezeNet、NASNet-Large、ResNet-101,筛选大豆病虫害识别的卷积神经网络(CNN)最优模型。结果显示,8个模型识别准确率均达到88%以上,其中DenseNet-201、Xception、NASNet-Large均取得超过99%的验证准确率,测试集准确率分别高达98.78%、99.06%、99.22%,NASNet-Large模型对1802张测试集图像识别后获得了14个误判,识别错误率仅0.78%。2.采集了10个品种1200粒大豆正反两面的高光谱图像,转换后得到大豆反射率,使用Savitzky-Golay平滑(SG)、一阶导数(FD)、标准正态变量(SNV)、快速傅里叶变换(FFT)、希尔伯特变换(HT)和多元散射校正(MSC)对光谱反射率进行预处理。然后,使用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)和主成分分析(PCA)提取预处理后的光谱反射率的特征波长或特征信息。最后5个分类器:贝叶斯(Bayes)、支持向量机(SVM)、k近邻(KNN)、集成学习(EL)和人工神经网络(ANN)用于大豆种子品种分类识别。在90个组合模型中,MSC-CARS-EL组合的识别准确率最高,训练集、测试集、5折交叉验证的准确率分别为100%、100%、99.8%。此外,光谱预处理对识别精度的贡献高于特征提取和分类器选择:预处理方法决定了识别准确率的范围,而特征提取和分类器只是使识别准确率在此范围内波动。3.对采集的2400张大豆高光谱图像的第三维波长信息进行主成分提取,并保留前三个主成分,然后对其进行添加空白像素、缩放、旋转等处理,共获得9600张图像,将图像按3:1:1的比例划分训练集、验证集和测试集。微调后的预训练模型(AlexNet、ResNet-18、Xception、Inception-V3、DenseNet-201和NASNet-Large)用于迁移训练。筛选出用于大豆种子品种识别的最佳CNN模型。结果表明,这六个模型的验证集准确率均达到91%,在测试集中的准确率分别达到90.6%、94.5%、95.4%、95.6%、96.8%和97.2%。无论是大豆病虫害识别模型,还是大豆种子的品种识别模型,均取得了较高的识别准确率与较强的稳定性,为遥感成像技术在农业领域的应用积累了些许经验,进一步为精准农业与智慧农业的发展奠定基础。