农业生产是我国经济发展至关重要的部分,其产量不仅会影响到国家的经济发展,同时也会影响到人们日常生活的质量。然而,由于传统的农作物病虫害检测过多依赖于专家的经验,效率低且不具有智能性是影响其病虫害检测性能的重要限制。随着计算机视觉以及神经网络算法的不断发展,随着智能手机的不断普及,农作物病虫害的智能检测越来越多地引起了人们的关注,并得到了快速的发展。本文提出了一种基于卷积神经网络的可见光图像农作物病虫害的检测方法,对于农作物病虫害的分类识别有很好的效果。本文提出的基于卷积神经网络的可见光图像农作物病虫害的检测方法,主要结合了:卷积神经网络、迁移学习思想、支持向量机分类以及数据扩充四个方面的技术。本文也针对这四方面技术进行了详细的阐述。在介绍该方法之前,本文对实验部分要用到的农作物病虫害数据集做了详细的介绍,同时介绍了一种传统方法用在该数据集上的分类结果,可以看出传统方法对于数据的分类并不理想。在此之后,本文开始针对检测方法进行介绍。文章首先介绍了仅基于卷积神经网络的检测方法。该部分主要针对卷积神经网络的结构设计、卷积神经网络的训练细节等做了详细的阐述,并列举了仅基于卷积神经网络的检测方法对于农作物病虫害数据集的分类情况,并分析了其产生过拟合问题的原因。随后介绍了基于迁移学习思想对于检测方法的改进。可以看出,迁移学习思想能够较大程度地缓解过拟合问题,使分类检测精度有了很大的提升。在此之后,我们用支持向量机取代原先的softmax分类层进行分类,可以看出这样做可以使准确率小幅度提升,对于缓解过拟合问题有一定的作用。最后,介绍了数据扩充对于缓解过拟合问题、提升病虫害检测精度的重要意义,并给出相关的验结论。此外,本文还将提出的该农作物病虫害的检测方法应用于自己建立的数据集,也可以实现较高的分类精度,说明该方法具有较好的稳健性。本文提出的基于卷积神经网络的可见光图像农作物病虫害的检测方法,相比于传统方法而言,对于病虫害检测具有良好的检测性能,其智能性和高准确性对于实际问题的解决有很好的效果。
