基于渐进式增长生成对抗网络的农作物病虫害细粒度分类方法研究

作     者：冯琦尧 

作者单位：桂林理工大学 

学位级别：硕士

导师姓名：邓昀

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 09[农学] 0904[农学-植物保护] 0835[工学-软件工程] 0802[工学-机械工程] 090402[农学-农业昆虫与害虫防治] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：渐进式增长生成对抗网络 细粒度图像分类 像素级特征 农作物病虫害 双线性卷积神经网络 

摘      要：我国作为农业大国,每年因农作物病害造成了较为严重的粮食减产。因此如何去合理有效地治理和预防农作物病虫害对保障农作物质量和产量有着重要的意义。随着深度学习技术的迅速发展,基于深度学习的图像识别方法开始广泛应用于农业领域。但是现有的研究依然存在着问题,主要表现为,在多类别农作物病虫害分类任务中,不同类别的不平衡分布所引起的识别效果差的问题,以及,由图像中目标无关物体或干扰因素所引起的识别干扰的问题。为了解决这些问题,本文使用深度学习算法,基于渐进式增长生成对抗网络提出了一种用于识别农作物病虫害的网络模型,本文主要工作和结论如下:(1)针对解决由类别分布不平衡所引起的识别效果差的问题,本文基于渐进式增长生成对抗网络和卷积注意力模块,提出一种改进的渐进式增长生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过使用均衡学习率、像素级特征向量归一化和卷积注意力模块来搭建特征提取网络,提高网络的特征提取能力,并使用小批量偏差来丰富图像特征在空间上的关系。数据集由Plant Village数据集和自采6400张农作物图像组成,共14种农作物38类病虫害。使用CPDM网络模型与VGGNet16网络、VGGNet19网络和ResNet18网络进行比较,TOP-1测试准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高了2.56%、2.41%、0.2%,且参数量仅为8.2M,能够满足在保证分类准确率的基础上,有效控制网络参数计算量的实验目的,有效解决类别分布不平衡的问题。(2)针对解决由目标无关物体或干扰因素所引起的识别干扰问题,本文基于CPDM网络搭建了双线性的CPDM网络,用于提取图像特征的高维表示,加强网络提取时局部特征与全局特征之间的联系。选用了IP102农作物病虫害数据集来进行验证,并使用低秩逼近汇聚对网络双线性池化进行了改进,使得网络参数计算量大量减少,得到了80.3%的TOP-1测试准确率,并与双线性的VGGNet16网络、双线性的VGGNet19网络、双线性的ResNet18网络和由CPDM网络和VGGNet网络或ResNet网络组成的双线性网络进行比较,实验证明双线性的CPDM网络对图像的关键特征更加敏感,对局部特征和全局特征的联系更加密切,可以在一定程度上有效解决由图像中目标无关物体或干扰因素所引起的识别干扰问题。研究结果证明,本文提出的CPDM网络可以有效地识别农作物病虫害,且可以根据实际任务进行合适的调整,有效解决不同类别的不平衡分布所引起的识别效果差的问题和由细粒度图像分类任务中目标无关物体或干扰因素所引起的识别干扰的问题。