目录：
1、自20世纪60年代以来
2、与早期支持向量机和神经网络方法相比
3、Yang等提出了一种基于深度学习和图像显着性分析的昆虫识别模型
4、Barbedo等研究了图像质量对利用CNN识别木虱的影响
5、输入为416×416
6、考虑到在真实自然环境下病虫害的发生概率并不是很大
7、通过逻辑回归层对不同的病虫害进行二分类
8、争取农业专家帮助
9、在桂花病虫害数据集方面
农业病虫害是已知的造成农业经济损害的主要因素之一,农业病虫害带来的经济影响遍及全世界,欧洲农业经济损失每年达到28.2,北美达到31.2,亚洲和非洲在50%以上。
自20世纪60年代以来
自20世纪60年代以来,病虫害综合防治已成为主要的防治模式,根据对不同种类病虫害进行的压力检测结果,制定有利于经济发展、生态维护,以及具有社会学意义的最佳农药建议。
与早期支持向量机和神经网络方法相比
与早期支持向量机和神经网络方法相比,带有背景的病虫害图像识别精度已经得到了提高。
Yang等提出了一种基于深度学习和图像显着性分析的昆虫识别模型
Yang等提出了一种基于深度学习和图像显着性分析的昆虫识别模型,在茶园图像的测试集上达到了0.915的平均精度,运行时间减少到0.7ms,所需内存为6MB。Shen等应用深度神经网络技术建立了储粮病虫害的检测与识别方法,使用FasterR-CNN提取图像中可能包含昆虫的区域,并对这些区域中的昆虫进行分类,平均精度达到88。Mique等利用基于CNN的模型,对采集到的图像与现有的水稻病虫害图像进行了检索和比较,该模型能够达到90.9%的最终训练精度。Zhong等设计并实现了一个基于视觉的飞虫计数分类系统:首先在监控区域设置黄色粘性诱捕器诱捕飞虫,并设置摄像机实时采集图像,然后设计了基于YOLO的目标检测和粗计数方法,利用全局特征设计了基于支持向量机的分类方法和精计数方法,最后选择蜜蜂、苍蝇、蚊子、飞蛾、金龟子、果蝇等6种飞虫对该系统进行有效性评价。试验结果表明,该方法与常规方法相比具有良好的性能,平均分类精度为90.18。
Barbedo等研究了图像质量对利用CNN识别木虱的影响
Barbedo等研究了图像质量对利用CNN识别木虱的影响,试验共使用了1276张图像,基于算法的基于算法YOLO一半使用平板扫描仪采集,另一半使用2个不同品牌的智能手机采集,精度分别为70%和90,这表明更真实的环境对于保证经过训练的网络的健壮性至关重要。笔者主要基于YOLOv3框架进行桂花病虫害的识别,识别算法YOLOv3的模型比之前的模型复杂不少,不同的图像分辨率对模型性能也有一定影响,可以通过改变模型结构的大小以及图像分辨率来权衡速度与精度。在使用真实数据进行病虫害检测时,本试验方法较前人的方法在病虫害检测准确率上有很大提升,同时能实现图像中病虫害位置的精准定位。相对于深度学习图像分类来说,目标检测不仅能够对于图片中目标的类别进行识别,而且能够定位出目标的具体坐标位置,因此,目标检测应用到农业病虫害检测领域有利于病虫害的精准定位,从而方便后续的农药靶向喷施。YOLO的全称为YouOnlyLookOnce,由Redmon等提出,能够单次对于整幅图像内容进行训练、识别和定位,具有识别速度快、准确率高、适合小目标检测等优势。图1和图2显示了YOLOv3与其他流行方法的速度对比以及基于YOLO的病虫害检测系统架构。基于YOLO的病虫害检测系统架构,其主干网络是Darknet-53,有53个卷积层,和残差网络类似,在一些层之间建立了快捷连接,降低了梯度爆炸的概率,提高了检测的速度和精度。
输入为416×416
根据图2,输入为416×416,输出为3个尺度,适合不同尺寸的病虫害目标检测,病虫害识别算法能够方便地检测到不同大小的病斑和害虫。本试验提出的病虫害检测算法首先通过特征提取网络进行病虫害特征提取,其次,根据特征提取得到的特征图进行网格的划分,再次,判断病虫害区域中心坐标所在的网格,利用该网格进行目标检测。因为各网格进行目标检测的边框数量是一定的,同时不同边框的尺寸各不相同,因此,仅选择与实际边框的IOU值最大的边框。输出特征图有2个维度:一个是特征图大小,即为13×13;另外一个就是深度,即B,基于算法桂花树价格其中B为各网格进行目标检测的边框数量,C为病虫害分类数量,5包括病虫害目标的4个位置和1个置信度。置信度如下。
考虑到在真实自然环境下病虫害的发生概率并不是很大
考虑到在真实自然环境下病虫害的发生概率并不是很大,因此,大多数网格预测边框的置信度都是0。因此,加大其中存在病虫害目标的网格的权重,将权重更改为λcoord=5,λnoobj=0.5。在进行病虫害类别预测时,考虑到同一张输入图像上可能存在多种不同类型的病虫害,因此,采用多标签分类方法。
通过逻辑回归层对不同的病虫害进行二分类
具体来说,通过逻辑回归层对不同的病虫害进行二分类。同时,通过融合多个尺度进行预测,以此提升对尺寸较小的病斑和害虫的识别准确率。在所输出的特征图的数量和尺度持续发生改变的情况下,随之改变先验框的尺寸。因为当前还没有针对桂花病虫害检测的公共数据可以使用,所以笔者所使用的数据集为在潍坊科技学院设施园艺实验室基地(寿光寒桥寨里模块化日光温室)采集到的‘潍科红1号’桂花品种的病虫害图像,采集时间为2019年3月1日到2019年6月26日。通过翻转、平移、缩放等操作对采集的图像进行了数据增强。
争取农业专家帮助
同时,争取农业专家帮助,利用LabelImg软件进行了病虫害信息的人工标注,生成包含病虫害目标的类型和位置的xml文件,并将其转换成适合YOLO的Label文件,桂花树价格从而为试验做好数据准备。病虫害样本数量信息如表1所示。PR曲线PR曲线的英文全称为Precision/Recall曲线,即查准率/查全率曲线。本试验的桂花病虫害检测结果通过查准率与查全率曲线来描述。其中,查准率和查全率定义如下。查全率=成功检测到的病虫害图片数量(成功检测到的病虫害图片数量+没有检测到的病虫害图片数量。根据PR曲线,可以计算出检测精度。检测速度检测速度的评价依据为FPS。对检测的8类病虫害分别进行统计,其PR曲线如图4所示。根据上述检测结果,本算法对8类桂花病虫害均具备良好的检测效果(表。桂花病虫害检测结果示例如图5。其中,本算法对桂花煤污病与桂花灰霉病的检测精度在90%以上,分别为91.2%与94.5,对桂花早疫病、桂花晚疫病、桂花黄化曲叶病毒病、桂花棒孢褐斑病、桂花斑潜蝇、温室白粉虱的检测精度也在80%以上,分别为83.6、84.7、81.2、81.7、82.5、81.3,对8类桂花病虫害检测的总体检测精度为85.09。与此同时,本算法的检测速度更快,提高了检测效率。各算法对各类病虫害的检测速度如表3所示。桂花病虫害检测损失函数对比如图6所示。根据上图损失函数的变化趋势,可以看出本算法的收敛速度最快。近年来,相对于传统人工识别病虫害的方法,由于图像识别法具有容易操作、识别率高、节省人力和物力等特点,该方法已成为农业病虫害识别的主要技术。与此同时,由于深度学习技术的发展,基于深度学习的图像识别技术已成为国内外研究的热点。笔者基于深度学习和图像识别技术,以深度学习目标检测的典型算法YOLO为基础,建立了桂花病虫害识别算法。笔者建立了一个温室桂花病害数据库,利用YOLO卷积神经网络实现桂花病虫害识别完成病虫害识别与定位,并与几个主流深度学习目标检测算法做了对比,本试验方法较前人的方法在病虫害检测准确率上有很大提升,同时能实现图像中病虫害位置的精准定位,适合桂花病虫害图像的实时检测。就目前而言,基于算法YOLO基于算法深度学习技术仍然是机器学习、计算机视觉等多个交叉领域研究的一大热点。
在桂花病虫害数据集方面
在桂花病虫害数据集方面,真实自然环境下采集的数据集容易受到光照、遮挡等因素的影响。下一步研究中,需要采集更多的桂花病虫害样本,同时需要使用图像增强等技术来增强图像的对比度,尽量保证数据集的有效性,采用图像增强之后的图片库来训练新的模型,可以使模型的性能达到最优,从而提高真实自然环境下的桂花病虫害识别效果。在算法方面,近年计算机视觉一直是人工智能研究的热点领域,每一年各大计算机视觉比赛都会有新的模型和算法。将来需要使用目前最新的基准网络和算法,不断加深农业病虫害识别领域的研究。并在此基础上,结合实际农业应用情况,进一步探索农业病虫害识别APP和智能病虫害巡检机器人的研发示范。