基于圖譜特征分析的農(nóng)業(yè)蟲害檢測(cè)方法研究.pdf

1、蟲害是農(nóng)業(yè)災(zāi)害頻繁爆發(fā)的主要成因之一，在早期發(fā)現(xiàn)并準(zhǔn)確定位和識(shí)別害蟲，對(duì)其未來的發(fā)展趨勢(shì)做出評(píng)估，可提高施藥決策和綜合防治的針對(duì)性和準(zhǔn)確性。在作物蟲害信息的獲取中，傳統(tǒng)的檢測(cè)方法不但耗時(shí)、費(fèi)力，而且滯后性較強(qiáng)，很難滿足現(xiàn)代農(nóng)業(yè)的精準(zhǔn)生產(chǎn)要求。因此，構(gòu)建高效、實(shí)時(shí)的自動(dòng)化蟲害檢測(cè)方法來替代傳統(tǒng)手段，將有助于改變這一現(xiàn)狀。本文依托光譜技術(shù)和計(jì)算機(jī)視覺技術(shù)作為研究方法，從光譜和圖像數(shù)據(jù)特征分析的角度出發(fā)，研究了農(nóng)業(yè)蟲害的自動(dòng)化檢測(cè)方法，具體開

2、展了以下4方面工作:
　　(1)害蟲幼蟲隱蔽性強(qiáng)，直接檢測(cè)較為困難，故采用高光譜成像技術(shù)對(duì)健康和受幼蟲侵染的作物進(jìn)行了檢測(cè)研究。針對(duì)光譜數(shù)據(jù)維度高、冗余性強(qiáng)的特點(diǎn)，提出一種?；∈枳跃幋a模型(Stacked Sparse Auto-Encoder，SSAE)，實(shí)現(xiàn)了對(duì)不同蟲害侵染階段間稀疏性判別信息的高效表達(dá)。結(jié)合SSAE提出了一種基于Softmax函數(shù)的自適應(yīng)損失敏感算法，實(shí)現(xiàn)了對(duì)早期蟲害侵染的敏感性檢測(cè)。定義了一種相對(duì)離散值指

3、標(biāo)(Relative Scatter Value，RSV)，用于量化采用自適應(yīng)損失敏感算法前后光譜數(shù)據(jù)的類間和類內(nèi)分布差異，以直觀的方式驗(yàn)證了自適應(yīng)損失敏感算法為數(shù)據(jù)表達(dá)所引入的線性可分特性。
　　(2)采用計(jì)算機(jī)視覺技術(shù)對(duì)農(nóng)田內(nèi)害蟲成蟲的圖像定位進(jìn)行了研究，提出了一種結(jié)合圖像顯著性分析和GrabCut分割的害蟲目標(biāo)自動(dòng)定位方法。利用害蟲目標(biāo)區(qū)域和農(nóng)田背景在圖像全局層面的顏色和空間屬性差異，構(gòu)建了指示害蟲潛在區(qū)域的顯著性映射圖(S

4、aliency Map)，并通過閾值化Saliency Map提供GrabCut分割算法的初始區(qū)域，克服了該算法要求人工干預(yù)的缺點(diǎn)，實(shí)現(xiàn)了害蟲目標(biāo)的自動(dòng)定位。從定位準(zhǔn)確性和執(zhí)行時(shí)間層面對(duì)算法進(jìn)行優(yōu)化，將定位準(zhǔn)確率提升至0.9以上，單幅圖像的平均處理時(shí)間維持在150 ms以內(nèi)。
　　(3)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)對(duì)害蟲成蟲圖像的視覺分類進(jìn)行了研究，并基于CNN重要的結(jié)構(gòu)參數(shù)

5、和訓(xùn)練策略做出一定的優(yōu)化和改進(jìn)。針對(duì)害蟲圖像目標(biāo)所存在的種間相似性高、種內(nèi)變化性大、姿態(tài)變化豐富、易受作物遮擋等特點(diǎn)，從CNN的底層特征提取、中層特征規(guī)模、高層信息組織、分類器選擇以及模型訓(xùn)練技術(shù)方面，確定了適合農(nóng)業(yè)害蟲圖像識(shí)別的最優(yōu)模型參數(shù)。優(yōu)化后模型在包含14類稻田害蟲的圖像數(shù)據(jù)集上獲得0.883的識(shí)別準(zhǔn)確率，相對(duì)傳統(tǒng)識(shí)別方法效果提升顯著。優(yōu)化后模型內(nèi)存需求和運(yùn)行耗時(shí)分別降低至6.0 MB和0.7 ms，極大地加強(qiáng)了CNN在害蟲檢測(cè)

6、任務(wù)中的實(shí)際可應(yīng)用性。
　　(4)針對(duì)害蟲圖像采集難度大、標(biāo)注成本高而導(dǎo)致的數(shù)據(jù)集規(guī)模小、類別分布不均勻問題，研究了結(jié)合特征遷移用于提升視覺識(shí)別模型性能的方法。以CNN作為基準(zhǔn)研究框架，將由大規(guī)模廣義數(shù)據(jù)集預(yù)訓(xùn)練而來的圖像特征遷移至特定害蟲圖像數(shù)據(jù)集構(gòu)建模型初始化參數(shù)，實(shí)現(xiàn)了相對(duì)常規(guī)隨機(jī)初始化方法的顯著性能提升。從模型架構(gòu)層面，對(duì)比分析了在隨機(jī)初始化和特征遷移條件下，不同CNN模型在害蟲圖像識(shí)別中的性能差異。設(shè)計(jì)CNN特征逐層遷移