基于深度學(xué)習(xí)的稻飛虱圖像分類識別的研究.pdf

1、水稻田間飛虱種群數(shù)量調(diào)查旨在對稻飛虱發(fā)生進行測報，以便更好地實施綜合害蟲防治。傳統(tǒng)的飛虱調(diào)查方法是“盤拍法”，需要測報人員在田間進行拍盤和識別飛虱并統(tǒng)計數(shù)據(jù)，工作強度大且效率低下。為了減輕農(nóng)技人員田間飛虱調(diào)查的勞動強度和提高調(diào)查效率，文獻1-2利用傳統(tǒng)的模式識別方法，研究了基于多特征和分類器的飛虱檢測和識別算法，獲得較好的飛虱識別效果。在此基礎(chǔ)上，本文提出一種基于深度學(xué)習(xí)的飛虱四層自動檢測和識別算法，建立了適用于稻飛虱識別的卷積神經(jīng)網(wǎng)絡(luò)

2、結(jié)構(gòu);為了提高稻飛虱的識別率，對網(wǎng)絡(luò)模型學(xué)習(xí)和優(yōu)化算法進行了深入的研究，并通過Bagging并行策略降低飛虱的誤檢率以及研究了不同飛虱蟲態(tài)的多分類等問題。本文的主要研究內(nèi)容和成果包括:
　　(1)第一層飛虱檢測。提取飛虱正負樣本的HOG特征訓(xùn)練Adaboost級聯(lián)分類器，研究了不同級聯(lián)層數(shù)對檢測結(jié)果的影響，并結(jié)合滑動窗技術(shù)建立飛虱第一層檢測算法。選擇合適的Adaboost級聯(lián)分類器對水稻基部飛虱圖像進行測試，獲得了89.6％的檢測

3、率和81.4％的誤檢率。
　　(2)第二層基于卷積神經(jīng)網(wǎng)絡(luò)的非飛虱噪聲排除。通過對檢測的目標尺寸做歸一化處理，并在此基礎(chǔ)上搭建卷積神經(jīng)網(wǎng)絡(luò)，研究不同的層級結(jié)構(gòu)、權(quán)值初始化、正則化、訓(xùn)練算法對分類準確率的影響，并結(jié)合學(xué)習(xí)曲線、權(quán)值可視化、特征圖可視化來評估網(wǎng)絡(luò)狀態(tài)，調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，最終獲得的最優(yōu)網(wǎng)絡(luò)模型。對飛虱子圖像測試集測試獲得了98.9％的識別率。對第一層檢測到的目標做非飛虱噪聲去除，兩層檢測后獲得了89.0％的飛虱檢測率和32.

4、9％的誤檢率。
　　(3)第三層稻飛虱各蟲態(tài)分類識別。在第二層飛虱分類模型的基礎(chǔ)上對飛虱蟲態(tài)進行分類，同時去除剩余噪聲，輸出分別為長翅型飛虱、高齡型飛虱、低齡型飛虱和非飛虱噪聲等四類;研究了訓(xùn)練超參數(shù)batch和學(xué)習(xí)率對網(wǎng)絡(luò)學(xué)習(xí)的影響，對飛虱子圖像測試集測試獲得了95.0％的識別率。對測試樣本第二層檢測得到的飛虱目標做蟲態(tài)分類，三層檢測后獲得了81.4％的檢測率和20.6％的誤檢率。
　　(4)第四層排除誤檢飛虱。為了排除長

5、翅型、高齡型、低齡型飛虱與噪聲之間的誤判，本文通過測試2萬多幅水稻基部飛虱圖像，利用現(xiàn)有的分類器篩選出所有會被誤判的噪聲做為訓(xùn)練集，分別與長翅型、高齡型、低齡型飛虱做去誤檢二分類，使分類器對噪聲有更強的魯棒性。對三種飛虱各蟲態(tài)子圖像測試集測試分別獲得了98.4％、100.0％、100.0％的泛化表現(xiàn)。最終基于深度學(xué)習(xí)的稻飛虱四層自動檢測和識別算法對各蟲態(tài)的平均識別率為81.1％，誤檢率為15.4％。
　　基于深度學(xué)習(xí)的稻飛虱四層檢