[病虫害识别｜博士论文]非结构环境下病虫害识别方法研究

概述

1. 提出一种基于级联卷积神经网络的植物病害识别方法
2. 提出一种融合农田多源环境信息的害虫监测方法
3. 提出一种新的目标检测损失函数解决特征冲突问题

本文研究的主要方面在于特征提取。（其他部分沿用目前最全面的公开数据和病虫害数据以及最先进的开源算法）

病害检测本质上->图像分类问题。
害虫检测->图像分类/目标定位两个子任务

1. 使得从数据i中提取的特征表示q与标签l之间的损失函数Loss(q, l)足够小
   
   n为特征表示的维度
   比如：一张植物病害数据的特征表示为q:[0.7, 0.2, 0.1]，标签l为[1, 0, 0]，则交叉熵损失为-log(0.7) = 0.155

对每一个子区域进行逐一遍历识别。

保证不同尺度的目标都可被检测，每个像素点都会残在数个尺度不一的滑动窗
目标存在于滑动窗->目标的尺寸小于滑动窗，且大部分落在滑动窗内

2. 确定目标后，将其预测的边缘信息Pred向真实值GT优化。使得Loss(Pred, GT)足够小
   

Pres/GT 分别包括「预测框和真实框的中心点坐标(x,y)，高度h和宽度w信息」，k取1时回归损失函数为L1损失，k取2时回归函数为L2损失

本文工作在于设计出能够提取出科学有效的特征的卷积神经网络模型
难点：

• 病虫害数据集有数据较少、类别数多且个类别样本不均衡、环境复杂等特点->泛化性较差
• 存在非结构环境因素影响

（ａ）目标尺度不一且大部分目标的尺度较小；（ｂ）叶 片镜面反射；（ｃ）目标在图片中分布不均匀；（ｄ）植物分支遮挡；（ｅ）植物叶片遮挡；（ｆ）背景干扰；（ｇ）覆盖物阴影干扰；（ｈ）植物病害干扰；（ｉ）薄膜干涉； （ｊ）背光拍摄；（ｋ）对焦不一致等问题

病害识别方法的发展现状

• 2017年：一种基于k-均值聚类和稀疏表示的黄瓜病害识别方法：
  指出了植物特征的不同权重，并通过特征融合提高了识别性能->有效地识别黄瓜的7种病害（成功率为85.7）

• 2018年：

• • 一种对柑橘类植物病害同时进行识别与检测的方法
    将输入图像增强，优化加权分割方法提取柑橘病斑，将颜色、特征、几何特征输入多类支持向量机进行u子汇总识别->有效现有方法（成功率为97）
• • 人类视觉注意力机制->集成尺度不变特征变化(Scale-invariant feature transform)到层次模型(Hierarchical Model and X)增加对旋转变化的鲁棒性
• • 采用基于局部配置模型(Local Configuration Pattern)将健壮的植物纹理特征作为手工特征->支持向量机识别（85.5）
• • 一种基于数据植物图像的植物识别方法->结合如色调、形状和独特的表面纹理特征实现层次化细粒度的植物图像识别

关键的局限性：很多都在用人工特征、空间关系特征，但很难寻找一个完美的人工特征来识别

• • 一种基于CNN的葡萄病害识别方法：利用不同的颜色空间、植被指数及其融合信息来知道识别过程->YUV色彩空间特征结合过绿减过红(Excess Green minus Excess Red, ExGR)植被指数的卷积（95.8）
• • 单一叶片诊断（99.53）
• • 数据集大小/多样性 对识别的影响 -> 对数据进行增强，可以有效提升数据的多样性，客服识别率低
• • 将孪生网络用于轻量级分类
• • 迁移学习，增加迭代次数，精度提高

== 深度卷积神经网络 优于 随机森林、支持向量机、朴素贝叶斯等传统方法 ==

通过细粒度分类方法，级联卷积神经网络进行识别

虫害识别方法的发展现状

• 基于移动设别的识别，采用 基于区域标记的算法 和 基于形态学的慕白哦分离方法
• 利用 马氏距离检测汉中 ， 引入图像局部特征，但易收到环境噪声影响

CNN从原始图像中提取高度语义化的特征， 让CNN的特定通道学习物体的局部信息

创新点

1. 针对落地场景 和 公开了多类别病害数据集/粮食作物野外虫害数据集，对多源信息进行大量的采集/标注
2. 细粒度分类解决非结构场景下准确率低
3. 多类特征融合，解决精度低、泛化鲁棒差的问题
4. 引入锚框与真实值的交并比 与 锚框的置信度的卷度关系 解决分类特征 与 检测特征冲突，从头训练CNN时直接监督交并比与分类置信度带来的网络震荡问题

基于级联卷积神经网络的多类病害识别方法

使用多类别植物病害数据集（MCPD, Muti-Class Plant Disease)

MCPD包括10种植物，作者对其进行了大量清洗

网络架构

级联卷积神经网络： 新型的两阶段级联卷积神经网络，并进行投票网络和加权孪生网络相融合，以提高对多类植物病害的识别精度，进一步预测每种病害的不同严重程度

因为：错误分类主要因为 植物病害严重程度识别的困难，而不是种类的分类
所以：提出了PlantNet解决
先用并行投票网络获得病害分类、然后利用加权孪生网络估计出病害的严重程度

基于并行投票网络识别病害种类识别（本文提出的）

使用两个不同骨干网络进行识别

• 训练阶段：
• • 输入：植物数据、病害标签传入两个卷积神经网络
• • 输出：可能的图像标签和分类置信度（多项分布）输入到投票算法中
    输出呈现为联合概率分布，将两个卷积神经网络的结果平均即可获得最终的植物病害类别
    

并行投票网络算法：

基于加权孪生网络进行病害程度估计

对病斑面积大小、数量、叶片颜色等区分病害的严重程度
因为：这些划分的阈值不可靠
所以：使用孪生网络解决

加权孪生网络使用从训练集中学习到的相似性度量来匹配测试图像，可以克服传统的方法混淆病害的缺点