基于MobileNetV2的轻量化柑橘虫害识别方法研究

作     者：张鹏程 

作者单位：华中农业大学 

学位级别：硕士

导师姓名：李善军

授予年度：2023年

学科分类：08[工学] 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] 

主      题：柑橘虫害 数据集 深度学习 MobileNetV2 注意力机制 边缘计算 虫害识别APP 

摘      要：我国是全球最大的柑橘生产国,但果园虫害问题发生频繁,每年柑橘总产量的10%～20%会因虫害侵蚀而损失,严重限制柑橘产业的健康发展。在实际虫害防治过程中,虫害识别是实现精准高效防治的前提,但目前果园虫害种类通常由农户凭经验进行识别,费时费力,准确率也无法得到保证。因此,亟需开发轻量化柑橘虫害的自动化识别工具,为农户提供高效率、高精度的虫害分类识别服务,针对性地开展虫害精准防治,提高经济效益。本文收集了10类常见的柑橘虫害图像数据集,以MobileNetV2作为基准网络,开发虫针对柑橘虫害的智能识别方法,根据混淆矩阵和类激活图可视化分析结果对柑橘虫害训练集进行背景分割,并比较了多种注意力机制的MobileNetV2模型对虫害识别能力的优化提升程度,具体研究内容如下:(1)针对柑橘果园中最常见的10种虫害,本文共收集了4191张图片,并按照60%、20%、20%的比例随机划分为训练集、验证集和测试集,使用MobileNetV2网络进行柑橘虫害分类,并在模型训练过程中使用数据增强操作来强化网络的鲁棒性,测试结果表明模型准确率达到91.95%。根据训练、测试结果生成loss曲线图和混淆矩阵,并分析模型对每类虫害的分类能力;同时,对训练后的模型进行类激活图可视化分析,发现由于虫害图像的背景较为复杂,在网络进行分类时占有一定的权重,影响了分类精度。(2)为减少复杂背景的影响,使用语义分割和图像掩膜方法去除训练集图片背景,并在未分割的验证集、测试集上分别进行网络验证和测试。经过分割训练集训练后的MobileNetV2模型的测试准确率达到92.60%,分类性能优于原数据集模型;但经过混淆矩阵分析后发现,分割数据集模型对部分虫害的分类能力依然较弱,需要提升基准网络模型的特征提取能力;比较两类数据集模型的可视化热力图,发现分割数据集模型的关注区域更集中在虫害区域,但仍存在少量关注区域分散在背景部分。(3)为提升基准网络模型对虫害特征的提取能力,在MobileNetV2模型瓶颈层中分别添加SE、CBAM和ECA三种注意力机制,在相同参数设置下使用柑橘虫害分割数据集对三种改进网络进行训练、验证和测试,测试结果表明ECA＿MobileNetV2模型的分类准确率达到93.87%,优于其他改进网络,并且该模型的复杂度较低,能够满足在边缘设备中计算需求。对ECA＿MobileNetV2模型进行网络参数对比试验,当图像输入尺寸为336×336、学习率为0.001时,模型的分类性能最高。(4)为开发出能够应用在柑橘产区的柑橘虫害实时检测工具,本文基于边缘计算的安卓APP,可适用于网络信号差的柑橘产区中。为搭建基于边缘计算的安卓APP,对ECA＿MobileNetV2模型进行基于Paddle Lite格式的轻量化转换,并移植部署在应用端中,从而实现虫害分类推理功能。对柑橘虫害识别APP进行虚拟机和实机功能测试,均能够实现柑橘虫害的分类预测功能。