基于深度學(xué)習(xí)的稻飛虱圖像分類(lèi)識(shí)別的研究.pdf

1、水稻田間飛虱種群數(shù)量調(diào)查旨在對(duì)稻飛虱發(fā)生進(jìn)行測(cè)報(bào)，以便更好地實(shí)施綜合害蟲(chóng)防治。傳統(tǒng)的飛虱調(diào)查方法是“盤(pán)拍法”，需要測(cè)報(bào)人員在田間進(jìn)行拍盤(pán)和識(shí)別飛虱并統(tǒng)計(jì)數(shù)據(jù)，工作強(qiáng)度大且效率低下。為了減輕農(nóng)技人員田間飛虱調(diào)查的勞動(dòng)強(qiáng)度和提高調(diào)查效率，文獻(xiàn)1-2利用傳統(tǒng)的模式識(shí)別方法，研究了基于多特征和分類(lèi)器的飛虱檢測(cè)和識(shí)別算法，獲得較好的飛虱識(shí)別效果。在此基礎(chǔ)上，本文提出一種基于深度學(xué)習(xí)的飛虱四層自動(dòng)檢測(cè)和識(shí)別算法，建立了適用于稻飛虱識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)

2、結(jié)構(gòu);為了提高稻飛虱的識(shí)別率，對(duì)網(wǎng)絡(luò)模型學(xué)習(xí)和優(yōu)化算法進(jìn)行了深入的研究，并通過(guò)Bagging并行策略降低飛虱的誤檢率以及研究了不同飛虱蟲(chóng)態(tài)的多分類(lèi)等問(wèn)題。本文的主要研究?jī)?nèi)容和成果包括:
　　(1)第一層飛虱檢測(cè)。提取飛虱正負(fù)樣本的HOG特征訓(xùn)練Adaboost級(jí)聯(lián)分類(lèi)器，研究了不同級(jí)聯(lián)層數(shù)對(duì)檢測(cè)結(jié)果的影響，并結(jié)合滑動(dòng)窗技術(shù)建立飛虱第一層檢測(cè)算法。選擇合適的Adaboost級(jí)聯(lián)分類(lèi)器對(duì)水稻基部飛虱圖像進(jìn)行測(cè)試，獲得了89.6％的檢測(cè)

3、率和81.4％的誤檢率。
　　(2)第二層基于卷積神經(jīng)網(wǎng)絡(luò)的非飛虱噪聲排除。通過(guò)對(duì)檢測(cè)的目標(biāo)尺寸做歸一化處理，并在此基礎(chǔ)上搭建卷積神經(jīng)網(wǎng)絡(luò)，研究不同的層級(jí)結(jié)構(gòu)、權(quán)值初始化、正則化、訓(xùn)練算法對(duì)分類(lèi)準(zhǔn)確率的影響，并結(jié)合學(xué)習(xí)曲線、權(quán)值可視化、特征圖可視化來(lái)評(píng)估網(wǎng)絡(luò)狀態(tài)，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，最終獲得的最優(yōu)網(wǎng)絡(luò)模型。對(duì)飛虱子圖像測(cè)試集測(cè)試獲得了98.9％的識(shí)別率。對(duì)第一層檢測(cè)到的目標(biāo)做非飛虱噪聲去除，兩層檢測(cè)后獲得了89.0％的飛虱檢測(cè)率和32.

4、9％的誤檢率。
　　(3)第三層稻飛虱各蟲(chóng)態(tài)分類(lèi)識(shí)別。在第二層飛虱分類(lèi)模型的基礎(chǔ)上對(duì)飛虱蟲(chóng)態(tài)進(jìn)行分類(lèi)，同時(shí)去除剩余噪聲，輸出分別為長(zhǎng)翅型飛虱、高齡型飛虱、低齡型飛虱和非飛虱噪聲等四類(lèi);研究了訓(xùn)練超參數(shù)batch和學(xué)習(xí)率對(duì)網(wǎng)絡(luò)學(xué)習(xí)的影響，對(duì)飛虱子圖像測(cè)試集測(cè)試獲得了95.0％的識(shí)別率。對(duì)測(cè)試樣本第二層檢測(cè)得到的飛虱目標(biāo)做蟲(chóng)態(tài)分類(lèi)，三層檢測(cè)后獲得了81.4％的檢測(cè)率和20.6％的誤檢率。
　　(4)第四層排除誤檢飛虱。為了排除長(zhǎng)

5、翅型、高齡型、低齡型飛虱與噪聲之間的誤判，本文通過(guò)測(cè)試2萬(wàn)多幅水稻基部飛虱圖像，利用現(xiàn)有的分類(lèi)器篩選出所有會(huì)被誤判的噪聲做為訓(xùn)練集，分別與長(zhǎng)翅型、高齡型、低齡型飛虱做去誤檢二分類(lèi)，使分類(lèi)器對(duì)噪聲有更強(qiáng)的魯棒性。對(duì)三種飛虱各蟲(chóng)態(tài)子圖像測(cè)試集測(cè)試分別獲得了98.4％、100.0％、100.0％的泛化表現(xiàn)。最終基于深度學(xué)習(xí)的稻飛虱四層自動(dòng)檢測(cè)和識(shí)別算法對(duì)各蟲(chóng)態(tài)的平均識(shí)別率為81.1％，誤檢率為15.4％。
　　基于深度學(xué)習(xí)的稻飛虱四層檢