[论文精度｜博士论文]非结构环境下病虫害识别方法研究

news2025/7/12 15:00:48

概述

本文研究的主要方面在于特征提取。（其他部分沿用目前最全面的公开数据和病虫害数据以及最先进的开源算法）

病害检测本质上->图像分类问题。
害虫检测->图像分类/目标定位两个子任务

使得从数据i中提取的特征表示q与标签l之间的损失函数Loss(q, l)足够小

n为特征表示的维度
比如：一张植物病害数据的特征表示为q:[0.7, 0.2, 0.1]，标签l为[1, 0, 0]，则交叉熵损失为-log(0.7) = 0.155

对每一个子区域进行逐一遍历识别。

保证不同尺度的目标都可被检测，每个像素点都会残在数个尺度不一的滑动窗
目标存在于滑动窗->目标的尺寸小于滑动窗，且大部分落在滑动窗内

Pres/GT 分别包括「预测框和真实框的中心点坐标(x,y)，高度h和宽度w信息」，k取1时回归损失函数为L1损失，k取2时回归函数为L2损失

本文工作在于设计出能够提取出科学有效的特征的卷积神经网络模型
难点：

（ａ）目标尺度不一且大部分目标的尺度较小；（ｂ）叶片镜面反射；（ｃ）目标在图片中分布不均匀；（ｄ）植物分支遮挡；（ｅ）植物叶片遮挡；（ｆ）背景干扰；（ｇ）覆盖物阴影干扰；（ｈ）植物病害干扰；（ｉ）薄膜干涉；（ｊ）背光拍摄；（ｋ）对焦不一致等问题

2017年：一种基于k-均值聚类和稀疏表示的黄瓜病害识别方法：
指出了植物特征的不同权重，并通过特征融合提高了识别性能->有效地识别黄瓜的7种病害（成功率为85.7）
2018年：
- 一种对柑橘类植物病害同时进行识别与检测的方法
  将输入图像增强，优化加权分割方法提取柑橘病斑，将颜色、特征、几何特征输入多类支持向量机进行u子汇总识别->有效现有方法（成功率为97）
- 人类视觉注意力机制->集成尺度不变特征变化(Scale-invariant feature transform)到层次模型(Hierarchical Model and X)增加对旋转变化的鲁棒性
- 采用基于局部配置模型(Local Configuration Pattern)将健壮的植物纹理特征作为手工特征->支持向量机识别（85.5）
- 一种基于数据植物图像的植物识别方法->结合如色调、形状和独特的表面纹理特征实现层次化细粒度的植物图像识别

关键的局限性：很多都在用人工特征、空间关系特征，但很难寻找一个完美的人工特征来识别

- 一种基于CNN的葡萄病害识别方法：利用不同的颜色空间、植被指数及其融合信息来知道识别过程->YUV色彩空间特征结合过绿减过红(Excess Green minus Excess Red, ExGR)植被指数的卷积（95.8）
- 单一叶片诊断（99.53）
- 数据集大小/多样性对识别的影响 -> 对数据进行增强，可以有效提升数据的多样性，客服识别率低
- 将孪生网络用于轻量级分类
- 迁移学习，增加迭代次数，精度提高

== 深度卷积神经网络优于随机森林、支持向量机、朴素贝叶斯等传统方法 ==

通过细粒度分类方法，级联卷积神经网络进行识别