![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于卷积神经网络的图像处理技术在蓝莓种植中的应用进展.pdf
《基于卷积神经网络的图像处理技术在蓝莓种植中的应用进展.pdf》由会员分享,可在线阅读,更多相关《基于卷积神经网络的图像处理技术在蓝莓种植中的应用进展.pdf(5页珍藏版)》请在咨信网上搜索。
1、上海农业科技智慧农业基于卷积神经网络的图像处理技术在蓝莓种植中的应用进展吴立东,等:基于卷积神经网络的图像处理技术在蓝莓种植中的应用进展2023(5):3134,90吴立东1万夏金安1*朱元宏陈晨1乔克成1(上海工程技术大学数理与统计学院,上海2 0 16 2 0;2上海青浦现代农业园区发展有限公司,上海2 0 17 0 2)*为通信作者摘要:为实现我国蓝莓产业的高产、高效发展,将卷积神经网络与机器视觉相结合是蓝莓产业技术升级的一个重要方向。现基于卷积神经网络模型的优化,针对蓝莓不同生长阶段,系统阐述了卷积神经网络模型在蓝莓图像领域的研究进展与应用现状,主要涉及叶片病虫害识别、果园杂草监测、果
2、实成熟度识别等领域,同时,论述了卷积神经网络在蓝莓产业应用的难题与挑战,以期为进一步利用宏观成像平台测量蓝莓成熟度提供参考。关键词:蓝莓;卷积神经网络;图像检测;病害识别;成熟度检测中图分类号:TP391曹福深1潘俊杰1收稿日期:2 0 2 3-0 2-0 8蓝莓是一种高效的经济作物,在我国多地均有种植,我国蓝莓年产量可达4.7 410 5t,是当前全球蓝莓鲜果产量最大的国家。近年来,虽然我国在传统农业方面开始了智能化升级与更新,但是蓝莓产业的信息化应用不多,这在一定程度上限制了蓝莓产业的发展与蓝莓产品国际市场竞争力的提升 2,故呕须探索科学有效的蓝莓产业升级途径。在信息化领域,2 0 世纪6
3、 0 年代,HUBEL等 3从动物实验中获得灵感,初步创建了视觉皮层的地图,但在随后的几十年,均未实现技术突破,直到LECUN等 4将BP算法应用于神经网络的训练,才获得了第一个真正意义上的卷积神经网络(convolutional neural network,C NN)。早期的卷积神经网络的识别效果较差,网络训练复杂,直到KRIZHEVSKY等 5I首次提出使用Alexnet网络进行模型训练,这大幅改善了网络表达能力。目前,卷积神经网络已成为社会各界的研究热点,且已广泛运用至农作物图像识别领域。因此,为实现我国蓝莓产业的高产、高效发展,将卷积神经网络与机器视觉相结合是蓝莓产业技术升级的一个重
4、要方向。在此背景下,笔者基于卷积神经网络模型的优化,针对蓝莓不同生长阶段,拟系统阐述卷积神经网络模型在蓝莓图像领域的研究进展与应用现状,并在探讨不同技术间差异与共性的同时,论述卷积神经网络在蓝莓产业应用的难题与挑战,以期为进一步利用宏观成像平台测量蓝莓成熟度提供参考。1卷积神经网络在蓝莓生长阶段的应用近年来,随着信息化技术的不断发展,卷积神经网络因其识别精度高等优点受到了越来越多的关注。卷积神经网络结构主要包含输入层、卷积层(又称滤波器)、池化层和全连通层,见图1。通过添加多个卷积层和池化层,可加快运算并使检测的特征更突出。特征提取)花图1卷积神经网络结构1.1在草莓叶片病虫害防治中的应用在蓝
5、莓整个生长阶段,叶片病虫害是影响蓝莓产量和品质的重要因素之一 6,在一定程度上制约了蓝莓产业的发展。据统计,受病虫害的影响,全球蓝莓减产30%左右,部分地区减产甚至高达7 0%7,其中,蓝莓花叶病的发生尤为严重,可造成蓝莓减产15%以上 8。因此,及时发现草莓叶片病虫害并判断出病虫害种类,对保护蓝莓生长和控制病虫害传播至关重要。目前,国内外利用卷积神经网络处理叶片病虫害图像已取得较多的研究成果,但是在蓝莓领域,卷积神经网络模型的应用并不多。分析其原因是,在蓝莓领域,卷积神经网络模型容易受到较多因素的影响,且卷积神经网络模型在实际环境中的泛化能力较差。为促进卷积神经网络模型在蓝莓叶片病虫害防治中
6、的应用,研究者进行了相关研究:针对传统图-31-特征输出上海农业科技SHANGHAI AGRICULTURAL SCIENCE AND TECHNOLOGY2023(5)像识别在复杂环境中定位不准确、空间复杂度高等问题,WANG等 9 提出构建一个三线性卷积神经网络模型,使用3个CNN流,其中一个用于实现图像识别中的区域检测任务,另外两个分别用于实现作物识别和病害特征提取任务;同时,将区域检测和特征提取相结合,增强模型的泛化能力,测试准确率达8 4.11%。QU等 10|使用MobileNetV1结合多尺度特征提取(MSFE)模块,改进了通道注意机制的特征滤波模块FFM,改善了模型分类能力,测
7、试准确率为9 9.33%,比MobileNetV1的测试准确率提高了3.17%。Francis等 11I提出一种具有4个卷积层和2 个全连接层的小型卷积神经网络,该小型卷积神经网络在训练过程中取得了可靠的识别精度,为构建集成化模型提供了思路。随着深度卷积神经网络的不断发展,研究人员根据识别阶段的不同,将算法分为两类,一类是基于候选框的双阶段目标检测算法 12,如Faster R-CNN、R-CNN、R-F CN等,能够提取目标的高维特征,这类算法虽然精度较高,但是速度较慢,适用于高精度的农作物病害检测;另一类是基于回归的单阶段目标检测算法 13,如YOLO、S S D 等,这类算法虽然速度快,
8、但是精度较低,不适合复杂背景的图像。迁移学习是蓝莓叶片病害图像识别的重要方法,该网络模型依托大数据集作为载体,通过预训练后,可实现同类图像的高精度分类 14。谢圣桥等 15基于迁移学习和数据增强技术,在ResNet50模型的基础上,使用亮度变换、旋转、添加高斯噪声等手段,扩充数据集,避免模型过拟合,试验的识别准确率均在9 6%以上,实现了叶部病害图像的精准分类。综合以上研究结果可看出,随着卷积神经网络的发展,其训练结构越来越复杂,其精确性和效率也越来越好。因此,在卷积神经网络模型在蓝莓叶片病虫害防治的实际应用过程中,可根据实际需求选择合适的卷积神经网络结构,在满足各项检测指标的同时,提高模型速
9、度与精度。同时,运用迁移学习能对现有的卷积神经网络进行进一步的结构优化,改善预训练的参数问题,从而提升现有技术对特定问题的处理能力。1.2在蓝莓果园杂草监测中的应用蓝莓果园的杂草监测是发展智能化果园的新方向。研究发现,蓝莓是多年生根茎植物,故蓝莓不可耕作和轮作 16-17,再加上蓝莓果园的人工除草成本高昂,故为保障蓝莓的健康生长,蓝莓果园需实施水肥药智能化管理,实现智能化点对点喷洒农药-32-除杂。相关调查表明,有2 11种杂草可在蓝莓田中生长,杂草种类包括多年生草本蕨类(8 9 种)、多年生木本类(50 种)、一年生阔叶杂草(2 4种)、多年生禾本科杂草(2 0 种)以及其他种类。为促进卷积
10、神经网络模型在蓝莓果园杂草监测中的应用,研究者进行了相关研究:ESAU等 18 研究开发了一种基于绿色分割的斑点识别系统,用来检测蓝莓田地中的杂草,并应用于农用化学品喷雾器,实现了精准施药,与普通喷雾器相比,添加该系统的喷雾器可减少44.5%的农药用量,但是该系统的缺点是无法区分同一种颜色的不同杂草。HENNESSY等 19 在T.J.ESAU等的基础上,采用YOLOv3微型卷积神经网络对蓝莓果园拍摄的两种杂草图像进行了训练,通过优化相机和目标的检测精度,使拍摄的图像产生的F1分数高达0.9 7,从而优化了小目标检测性能,这对低功耗的杂草目标检测具有一定的参考价值。MATHIEU等 2 0 提
11、出了一种新的除草策略,该方法通过在多光谱无人机图像上集成多分辨率分割,将蓝莓果园分为具有相似光谱特征的片段,并对表现最好的片段进行分类和测试,结果显示,两个调查区域的Kappa系数值分别为0.9 0 和0.9 4,总体准确率分别为9 5%和9 7%;同时,MATHIEU等将航空图像与粒状除草剂喷洒器结合,为蓝莓果园的智能建设提供了新方法。综合以上研究结果可看出,集成多分辨率分割方法有助于去除背景、检测复杂的杂草目标;同时,将其集成到广泛运用的农业设备导航系统中,可在更大范围内改进蓝莓果园杂草检测处理流程的同时,进一步改善蓝莓生长环境,提高蓝莓品质。1.3在蓝莓果实成熟度识别中的应用蓝莓果实成熟
12、高峰期只有短短几天,随着果实的成熟,浆果会从绿色变为粉色,再变为红色,最后变成蓝色或黑色 2 1。在机械化采摘时,蓝莓果实成熟度的测定是收获的关键步骤,采收过熟的蓝莓果实会增加浆果软化的风险,然而传统的目视判断往往费时费力。为促进卷积神经网络模型在蓝莓果实成熟度识别中的应用,研究者进行了相关研究:古文君 2 2 运用RGB、H S V、L a b 模型提取颜色特征值,分别构建了PLS、BP、S V M分类模型,判别分析蓝莓果实成熟度,其中,根据RGB颜色特征建立的BP分类判别模型的性能最好,综合判别准确率为7 8.8 9%。针对蓝莓果实成熟度难以识别的问题,朱旭等 2 3通过上海农业科技SHA
13、NGHAI AGRICULTURAL SCIENCE AND TECHNOLOGY2023(5)改进FasterR-CNN算法,设计了一个可对不同成熟度的蓝莓果实进行精准识别分类的模型,该模型采用WOA算法优化训练参数后,可将原始图像的特征进行提取,并将特征图与RPN网络以及目标区域的池化网络进行共享,实现了蓝莓图像背景的有效消除,对蓝莓果实的成熟度识别准确率达9 4.6 7%,比DPM算法高2 0.0 0%左右,FasterR-CNN模型结构及蓝莓果实的识别过程见图2。王立舒等 2 4采用一种带有注意力模块的目标检测网络(I-YOLOv4-Tiny),有效解决了蓝莓果实图像背景复杂等问题,即
14、在YOLOv4-Tiny的特征金字塔中加人卷积注意力模块后,根据每个通道的特征进行权重分配,从而加强了网络结构深层信息的传递,I-YOLOv4-Tiny在遮挡与光照不均等复杂场景中,平均精度达96.24%,平均检测时间为5.7 2 3MS,满足了蓝莓果实成熟度识别的精度与速度需求。针对蓝莓果实目标较小、识别难度较大等问题,CRAIG等 2 5基于深入学习卷积神经网络模型,开发了6 个用于检测蓝莓果实成熟期的网络模型(即YOLOV3、YOLOv3-SPP、Y O L O v 3-T in y、Y O L O v 4、YOLOv4-Small、Y O L O v 4-T in y),并设计了3类模
15、型(绿色浆果、红色浆果、蓝色浆果)的浆果识别系统,测试结果见表1。由表1可看出,YOLOv4和YOLOv4-Small的检测效果最佳,其mAP50分别为7 9.7 9%和7 9.53%,但是,所有网络模型中与红色浆果相关的均得到较低的分数。为提高模型的可靠性,CRAIG等随后将红色和绿色合并为一个类别(未成熟的浆果),结果表明,未成熟浆果的mAP50优于单独分析3类模型的浆果,合并后的2类模型测试结果见表2。比较表1和表2 的结果可看出,用YOLOv4训练的2 类模型的准确性和精确度表现较好,其中,3类模型(绿色浆果、红色浆果、蓝色浆果)的mAP50为7 9.7 9%,2 类模型(成熟浆果、未
16、成熟浆果)的mAP50为8 8.12%,说明2类模型在mAP50方面有较大改善。该研究结果为部署蓝莓成熟度相关检测软件提供了基础。原始图像菜输入特征图特征提取障络Sofmax1X1卷积层13X3卷积层RPN阿络图2 FasterR-CNN模型结构及蓝莓果实的识别过程表13类YOLO模型mAP50的平均精度统计网络模型绿色浆果红色浆果蓝色浆果mAP50YOLOv376.58%YOLOv3-SPP78.60%YOLOv3-Tiny58.08%YOLOv479.98%YOLOv4-Small79.84%YOLOv4-Tiny72.54%注:表中数据mAP50为均值精度。2结论与讨论近年来,在蓝莓的叶
17、片病虫害识别、果园杂草监测和果实成熟度识别等领域,利用卷积神经网络进行了技术革新,且卷积神经网络与蓝莓产业发展有较高的契合度。但是,目前在上述领域中基于卷积特征图特征图Bbox回归ROI Pooling66.03%88.61%65.05%88.44%48.40%80.55%62.34%69.18%90.21%69.39%89.36%62.25%87.47%特征图全连接层表2 2 类YOLO模型mAP50的平均精度统计网络模型未成熟浆果成熟浆果mAP5077.07%YOLOv377.36%YOLOv3-SPPYOLOv3-Tiny79.79%YOLOv479.53%YOLOv4-Small74.
18、08%YOLOv4-Tiny注:表中数据mAP50为均值精度。神经网络的相关研究仍面临较多的困难和挑战。针对图像检测的重要研究领域需构建更大的数据集、更合理的样本预处理方式以及更有效的数据增强策略,笔者通过对比文中部分分类模型的优缺点,认为可从以下3个方面探讨解决思路:(1)组-33-SofmaxBbox回归分类与回归84.93%85.03%70.27%86.22%85.01%80.34%柔成蒸菜89.17%88.71%81.30%90.01%89.14%87.00%87.05%86.87%75.78%88.12%87.08%83.67%上海农业科技SHANGHAI AGRICULTURAL
- 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:
- 基于 卷积 神经网络 图像 处理 技术 蓝莓 种植 中的 应用 进展
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。