深度学习在植物病害目标检测研究汇总.docx
《深度学习在植物病害目标检测研究汇总.docx》由会员分享,可在线阅读,更多相关《深度学习在植物病害目标检测研究汇总.docx(6页珍藏版)》请在优知文库上搜索。
1、病害检测研究汇总:深度学习在植物病害目标检测植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心。深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注。中国农业科学院农业信息研究所/农业农村部农业大数据重点实验室联手甘肃农业大学机电工程学院,组成科研团队,针对深度学习在植物叶部病害检测与识别展开研究,植物病害目标检测是利用计算机视觉技术在复杂自然条件下检测出植物病害侵染区域及其准确位置,是植物病害准确分类识别和病害危害程度评估的前提,也是植物病害区域准确定位并引导植保装备对靶喷药的关键。早期植物病害目
2、标检测算法采用滑动窗口策略选出候选区域,然后提取候选区域特征,最后使用分类器进行分类,从而获得目标区域,如V-J检测、方向梯度直方图检测和有关可变形部件模型算法等。滑动窗口方法是设置不同的尺度和宽度对图像进行遍历,虽然这种方法应用于病害定位检测可以不错过任何一个病害区域目标,但产生的多余候选窗口会带来较大的计算量,且将病害图像全部遍历一遍要花费较多时间,导致检测的实效性差。另外,候选区域的特征提取采用手工方式,提取的特征较多集中在病害颜色、形状等底层特征,造成病害检测的鲁棒性差。分类器采用AdabOOst、支持向量机等进行识别,识别速度慢、准确率低。一、基于目标检测框架的植物病害检测基于深度学
3、习的R-CNN系列、YOLO、SSD以及CemerNet等新检测算法显著优于早期的植物目标检测算法。基于深度学习的目标检测框架可以分为二阶检测器和一阶检测器两大类。1、基于二阶检测器的植物病害检测二阶检测器首先使用候选框生成器生成稀疏的候选框集,并从每个候选框中提取特征,然后使用区域分类器预测候选框区域的类别。如基于区域建议的CNN,包括R-CNN、FaSt-RCNN、FaSter-RCNN及其变体。2014年,首次使用卷积神经网络提取图像特征,开启了利用深度学习进行目标检测的大门。在R-CNN基础上,提出了Fast-RCNN,解决了R-CNN在候选区域选择的过程中出现大量重叠框的问题。经过R
4、CNN和FaStRCNN的积淀,在2016年提出了FaSter-RCNN,将特征提取、边界框回归和分类集成到一个网络中,使综合性能有较大提高,在检测速度方面尤为明显。应用Faster-RCNN+VGGNet/ResNet的检测框架对番茄病虫害区域进行定位检测,其图像库中类别有10种病害,平均精度均值达到了85.98%,从此FaSter-RCNN逐渐被应用到植物病害区域检测上。采用Faster-RCNN框架,分别采用ZFNet和VGGNet作为骨干网络,能准确定位葡萄叶片和叶片上的病斑。通过改变Faster-RCNN模型的参数实现对甜菜叶斑病的自动检测,对155幅甜菜图像进行了训练和测试,获得了
5、95.48%的总体分类正确率。使用FaSter-RCNN对水稻患病叶片图像和健康叶片图像进行检测,识别叶片患病准确率均在98%以上,表明Faster-RCNN可以相对准确实时地检测水稻常见病害。基于FCM-KM和Faster-RCNN融合的水稻病害快速检测方法,以3010幅图像为研究基础数据集,得到稻瘟病、白叶枯病和纹枯病的检测精度分别为96.71%、97.53%和98.26%,检测时间分别为0.65、0.82和0.53So基于改进的深度卷积神经网络一一FaSterDR-IACNN模型,在自建的葡萄叶疾病数据集上展开研究,并引入了InCePtion-Vl模块、InCePtiOn-ReSNetV
6、2模块和压缩和激励网络,该模型具有较高的特征提取能力,mAP精度为81.1%,检测速度为15.01f/so基于二阶检测器的植物病害目标检测,在检测准确度方面获得了较好的病害检测效果,但由于检测速度慢,只能用在实时性要求不高的场景中。2、基于一阶检测器的植物病害检测一阶检测器直接对特征图上每个位置的对象进行类别预测,不经过二阶检测器中的区域建议步骤,如YOLO、SSD及其变体。2016年提出的一种一阶段检测算法。YOLO的设计不同于Faster-RCNN,它将检测过程整合为单个网络同时实现目标区域预测和分类的回归过程。YOLC)并不生成候选框,而是将图像划分成网格,以网格为中心确定目标边界和类别
7、,与FaSter-RCNN相比,YOLo在满足更高精度的同时大大提高了检测速度。在复杂自然条件下的茶园采集图像,并提出了一种基于YoLoV3的病虫害检测方法,在确保系统实时可用性的同时,实现了mAP为86%,交并比为50%。将轻量级的YoLO模型,应用于移动农业机器人对植物病害的检测,主要针对木瓜环斑病建立了一个大规模的数据集,在此基础上tiny-Y0L0v4算法的mAP最高可达99.9%oMobileNetV2-YOLOv3算法在疾病严重程度检测方面的最高mAP约为98.39%o基于改进的Y0L0v4实现柑橘病虫害叶片检测,并根据检测目标框实现柑橘病害叶片的局部分割,结合DenSeNet算法
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 深度 学习 植物病害 目标 检测 研究 汇总