基于圖譜特征分析的農(nóng)業(yè)蟲害檢測方法研究.pdf

1、蟲害是農(nóng)業(yè)災(zāi)害頻繁爆發(fā)的主要成因之一，在早期發(fā)現(xiàn)并準確定位和識別害蟲，對其未來的發(fā)展趨勢做出評估，可提高施藥決策和綜合防治的針對性和準確性。在作物蟲害信息的獲取中，傳統(tǒng)的檢測方法不但耗時、費力，而且滯后性較強，很難滿足現(xiàn)代農(nóng)業(yè)的精準生產(chǎn)要求。因此，構(gòu)建高效、實時的自動化蟲害檢測方法來替代傳統(tǒng)手段，將有助于改變這一現(xiàn)狀。本文依托光譜技術(shù)和計算機視覺技術(shù)作為研究方法，從光譜和圖像數(shù)據(jù)特征分析的角度出發(fā)，研究了農(nóng)業(yè)蟲害的自動化檢測方法，具體開

2、展了以下4方面工作:
　　(1)害蟲幼蟲隱蔽性強，直接檢測較為困難，故采用高光譜成像技術(shù)對健康和受幼蟲侵染的作物進行了檢測研究。針對光譜數(shù)據(jù)維度高、冗余性強的特點，提出一種?；∈枳跃幋a模型(Stacked Sparse Auto-Encoder，SSAE)，實現(xiàn)了對不同蟲害侵染階段間稀疏性判別信息的高效表達。結(jié)合SSAE提出了一種基于Softmax函數(shù)的自適應(yīng)損失敏感算法，實現(xiàn)了對早期蟲害侵染的敏感性檢測。定義了一種相對離散值指

3、標(Relative Scatter Value，RSV)，用于量化采用自適應(yīng)損失敏感算法前后光譜數(shù)據(jù)的類間和類內(nèi)分布差異，以直觀的方式驗證了自適應(yīng)損失敏感算法為數(shù)據(jù)表達所引入的線性可分特性。
　　(2)采用計算機視覺技術(shù)對農(nóng)田內(nèi)害蟲成蟲的圖像定位進行了研究，提出了一種結(jié)合圖像顯著性分析和GrabCut分割的害蟲目標自動定位方法。利用害蟲目標區(qū)域和農(nóng)田背景在圖像全局層面的顏色和空間屬性差異，構(gòu)建了指示害蟲潛在區(qū)域的顯著性映射圖(S

4、aliency Map)，并通過閾值化Saliency Map提供GrabCut分割算法的初始區(qū)域，克服了該算法要求人工干預(yù)的缺點，實現(xiàn)了害蟲目標的自動定位。從定位準確性和執(zhí)行時間層面對算法進行優(yōu)化，將定位準確率提升至0.9以上，單幅圖像的平均處理時間維持在150 ms以內(nèi)。
　　(3)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)對害蟲成蟲圖像的視覺分類進行了研究，并基于CNN重要的結(jié)構(gòu)參數(shù)

5、和訓練策略做出一定的優(yōu)化和改進。針對害蟲圖像目標所存在的種間相似性高、種內(nèi)變化性大、姿態(tài)變化豐富、易受作物遮擋等特點，從CNN的底層特征提取、中層特征規(guī)模、高層信息組織、分類器選擇以及模型訓練技術(shù)方面，確定了適合農(nóng)業(yè)害蟲圖像識別的最優(yōu)模型參數(shù)。優(yōu)化后模型在包含14類稻田害蟲的圖像數(shù)據(jù)集上獲得0.883的識別準確率，相對傳統(tǒng)識別方法效果提升顯著。優(yōu)化后模型內(nèi)存需求和運行耗時分別降低至6.0 MB和0.7 ms，極大地加強了CNN在害蟲檢測

6、任務(wù)中的實際可應(yīng)用性。
　　(4)針對害蟲圖像采集難度大、標注成本高而導(dǎo)致的數(shù)據(jù)集規(guī)模小、類別分布不均勻問題，研究了結(jié)合特征遷移用于提升視覺識別模型性能的方法。以CNN作為基準研究框架，將由大規(guī)模廣義數(shù)據(jù)集預(yù)訓練而來的圖像特征遷移至特定害蟲圖像數(shù)據(jù)集構(gòu)建模型初始化參數(shù)，實現(xiàn)了相對常規(guī)隨機初始化方法的顯著性能提升。從模型架構(gòu)層面，對比分析了在隨機初始化和特征遷移條件下，不同CNN模型在害蟲圖像識別中的性能差異。設(shè)計CNN特征逐層遷移