基于深度学习的枣树叶片病害识别方法研究
红枣的种植与人们的日常需求息息相关,为新疆当地经济带来重要的收益,但是红枣在生长过程中,受到自然环境的影响,枣树叶片部位往往会遭受多种病害的侵袭。这些病害不仅严重影响红枣的品质和正常生长,也会给农户带来巨大的经济损失。因此,建立一种可识别枣树叶片病害的模型,对于提高红枣的品质和减少农户经济损失具有非常重要的意义。基于此,本文以四种常见的枣树叶片病害(枣白腐病、枣锈病、花叶病、枣瘿蚊)为研究对象,在自然环境下拍摄枣树叶片病害数据集,从枣树叶片图像预处理、枣树叶片病害识别方法和枣树叶片分割方法三个部分开展研究,构建了枣树叶片病害识别模型。并提高了枣树叶片病害分类精度。本文的主要工作如下:(1)针对人工采集的数据集与大型公开数据集相比图像较少易产生过拟合,以及四种枣树叶片病害、病斑大小同存使检测识别效果差等问题。本文使用水平、垂直和任意角度随机翻转等方法对数据集进行扩充。最终由原始图像的1934张扩充至9670张,并针对识别与分割数据集分别使用Labelimg与Labelme标注工具对扩充后的枣树叶片病害图像的病害部位标注,分别生成TXT文本和json文本。(2)针对复杂背景下的枣树叶片病害图像存在病斑遮挡与病害目标小容易出现漏检误检以及识别准确率不高的问题,提出了一种改进的YOLOv5s模型将其称之为YOLOv5s-CBS模型。通过将CBAM注意力机制嵌入网络预测头中,从而加强了网络预测头对小目标病害特征提取能力,帮助模型更好的对感兴趣的目标进行特征提取,更加关注枣树叶片的病害目标,改善遮挡目标与小目标的漏检问题。随后采用SIo U函数加快模型训练的速度和推理的准确性,并对骨干网络的特征融合部分采用双向加权特征金字塔Bi FPN进行改进,以加强多尺度特征融合,来提升不同尺度的识别效果。为了更好地验证YOLOv5s-CBS的效果,将其与Faster R-CNN、YOLOv5m、YOLOv5l、YOLOv5x、YOLOv5s和VGG16六种模型进行对比。对比各项性能指标发现,枣树叶片病害在YOLOv5s-CBS模型中性能表现最佳,其准确率达到了89.23%,召回率为91.46%,正交比为0.5时m AP达到了78.86%,其中对枣白腐病和枣瘿蚊的识别准确度最高,分别达到97.9%、94.7%。而枣锈病和花叶病识别效果相对较差,分别达到了67%、55.5%。综上所述,该模型解决了在复杂背景下枣树叶片病害遮挡与小目标病害的漏检误检问题,提升了枣树叶片病害识别准确率。(3)针对枣树叶片早期的枣锈病病斑分散且小特征不明显以及花叶病的病斑较浅,并且在复杂背景下病斑不清晰的问题,提出了一种基于语义分割的枣树叶片病害识别方法,首先使用U-Net和Seg Net模型对枣树叶片病害特征进行了分割,将分割的数据集放入YOLOv5s-CBS中进行识别,最后对枣树叶片病害数据集分割前和分割后在YOLOv5s-CBS的识别准确度进行对比。结果表明,分割后的识别准确度明显高于分割前准确度达到了98%,召回率达到了98%,m AP@0.5达到了99%,花叶病和枣锈病的识别准确度分别提高了42.5%和24.3%,枣瘿蚊与枣白腐病也分别提升了4.6%、1.5%。综上所述,该方法达到了提升枣锈病、花叶病、枣瘿蚊与枣白腐病识别准确度的预期目标,在枣树叶片病害识别方法中具有实际应用的参考价值。
- 作者:
- 赵诣琛
- 学位授予单位:
- 塔里木大学
- 授予学位:
- 硕士
- 学位年度:
- 2023年
- 导师姓名:
- 张学东
- 中图分类号:
- TP391.41;TP18;S436.65
- 关键词:
- 枣树叶片病害;深度学习;目标识别;YOLOv5;U-Net
-