基于深度学习的农作物病害图像分类研究

作     者：储娇 

作者单位：江苏科技大学 

学位级别：硕士

导师姓名：左欣

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 09[农学] 080203[工学-机械设计及理论] 0904[农学-植物保护] 090401[农学-植物病理学] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

主      题：农作物病害图像分类 深度学习 自注意力机制 多粒度特征聚合 自监督预训练 

摘      要：农作物病害往往导致作物产量和质量大幅下降。因此,快速准确地识别作物病害,有助于采取正确有效的治疗措施来提高作物产量和质量。传统肉眼观察法和基于机器学习的作物病害分类方法存在主观性依赖和准确性不理想的问题。目前,卷积神经网络作为深度学习算法的代表性算法,能够自动提取病害特征,避免了依赖主观经验提取特征带来的问题,并在农作物病害图像分类任务中取得了较好的分类精度。然而卷积神经网络通常聚焦于类内显著性特征,忽略了类间细微差异性特征,从而导致病害分类准确率下降。此外,基于深度学习的方法需要海量的标记数据才能获得较好的泛化性能,而真实环境下有标记的作物病害图像数据稀疏,从而导致模型泛化性下降。针对上述两个问题,本文以受控环境下和田间真实环境下采集的农作物叶片病害图像为研究对象,研究了基于深度学习的农作物病害图像分类方法。主要内容如下:(1)针对卷积神经网络忽略类间细微差异特征导致分类准确率下降的问题,提出了基于自注意力机制和空间推理的多粒度特征聚合的农作物病害细粒度分类方法。该方法引入像素级特征自注意模块来捕捉疾病类别的细粒度判别线索,利用块级特征自注意模块来提高对不同作物种类特征的辨别能力,通过空间推理模块以进一步提高对疾病和物种特征的判别能力。在PDR2018、FGVC8和Plant Doc数据集上的实验结果表明,该方法不仅能够提高分类准确率,而且复杂度较低。(2)针对实际环境下有标记的作物病害图像数据稀疏导致模型泛化能力下降的问题,提出了基于自监督预训练的作物病害分类方法,并最终用于作物病害严重程度评估。该方法引入自监督预训练模型来提高模型泛化能力,使用Asymmetric loss函数来优化模型,实现作物病害分类准确率的提升。在Plant Village、PDR2018、FGVC8和Apple数据集上的实验结果表明,该方法能有效提高模型分类准确率和泛化能力。以苹果锈病严重程度为例,该方法取得了较高的评估准确率。综上所述,本文提出的作物病害图像分类方法能够有效提高实际生长环境下作物病害分类的准确率和模型泛化能力,并在病害严重程度评估上取得了较高的准确率。实验结果表明本文方法可以为作物病害图像分类提供理论支撑,具有一定的理论意义和研究价值。