基于改进区域卷积神经网络的田间玉米叶部病害识别

• 作者: 周建平 樊湘鹏 许燕
• 来源期刊: 华南农业大学学报
• 学科: 农学
• 关键词: 玉米病害 复杂背景 数据增强 区域卷积神经网络 批归一化 混合损失函数
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 研究论文
• 页码范围: 82-91
• 页数: 10页
• 分类号: S126
• 语种: 中文
• DOI: 10.7671/j.issn.1001-411X.202008022

摘要

[目的]引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断.[方法]在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验.[结果]在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为0.9718,平均召回率为0.9719,F1为0.9718,总体平均准确率可达97.23％;晴天的图像识别效果优于阴天的.改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.0886,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法.[结论]将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据.