论文部分内容阅读
苹果是我国的主要水果之一,为我国经济带来了丰厚的效益。然而苹果品质易受病害影响,因此,对苹果病害识别与分类变得比较重要。针对苹果病害检测识别问题,本文以斑点落叶病、褐斑病、花叶病、灰斑病和锈病5种黄土高原常见的苹果叶面病害为研究对象,在数据增强基础上,研究了基于Faster R-CNN算法的苹果叶面病害检测方法,设计开发了基于苹果叶面病害的Android检测系统。本文主要工作总结如下:(1)在分析常见苹果叶面病害特点的基础上,针对数据样本不足易导致网络训练出现的过拟合问题,本文通过数据增强以增加训练样本的多样性。通过对采集到的5类共2029张苹果叶面病害数据进行图像旋转、水平和垂直镜像,锐度、亮度、对比度调整,及高斯模糊等11项操作完成对数据集预处理,经人工筛选后的有效数据集共24348张。为后续网络模型训练提供标准格式的数据集,将数据集统一制作为VOC2007格式。(2)在分析参数迁移基础上,为提高网络模型的训练效率并获得较高的病害检测效果,本文首先在ImageNet数据集上对VGG-16和ZF网络进行预训练得到模型的初始化参数,并在此基础上通过在本文数据集上进行微调训练,以实现对模型的参数迁移。本文采用Faster R-CNN算法使用VGG-16作为特征提取网络对苹果叶面病害进行检测:通过VGG-16得到病害图像的特征图;以RPN网络为候选区域生成网络,得到病害可能存在的候选区域;通过其分类回归网络,最后获得了5类病害的检测区域及检测结果。通过与Fast R-CNN算法使用VGG-16为特征提取网络、Faster R-CNN使用ZF网络作为特征提取网络方法进行对比分析,本文采用的方法效果较好,其AP如下:锈病检测效果最佳,达90.35%,花叶病为81.66%,斑点落叶病为71.64%,褐斑病为75.67%,灰斑病检测效果较差,为63.44%,5种病害的mAP值为76.55%。(3)为更好地将基于Faster R-CNN算法的苹果叶面病害训练结果应用到Android系统中,本文设计并实现了基于苹果叶面病害的Android检测系统:在分析Android检测系统需求基础上,将训练得到的模型移植到Android平台,并对Android环境进行了3个方面的配置;设计与开发了具有2个功能模块的Android客户端;最后随机选取5种病害各40张总计200张测试样例进行了Android系统的测试,检测准确性为:锈病的检测准确性达100%,斑点落叶病和花叶病均达97.5%,褐斑病达95%,灰斑病达92.5%,综合检测效果为98.5%,该Android客户端基本满足了识别准确率的要求。