摘要
粮食安全是社会的根基，发展智慧农业也是农业的必要发展方向。对于水稻病虫害的自动识别对于提高农田的信息管理水平以及保障水稻作物的生长状态有着十分重大的意义。 早期的水稻病虫害识别方法采用人工提取特征，用传统的机器学习方法进行分类。随着人工智能技术、特别是深度神经网络技术的发展，深度神经网络也逐步应用于水稻病虫害的特征抽取和自动识别。目前对于水稻病虫害识别的研究，还存在数据样本不足，识别准确率偏低等问题。 本文针对水稻病虫害识别，通过数据增强、在卷积神经网络引入注意力机制、多模型集成等途径提高识别准确率。论文工作的主要研究内容和创新点有: (1)针对缺乏公开水稻病虫害数据集问题，基于7种常见的水稻病虫害:白叶枯，稻龋，稻瘟，褐斑，纹枯，螟虫，稻飞虱。通过网络爬虫收集水稻病虫害图片，再通过人工核对原始水稻病虫害数据集。为扩充数据集，通过实验对比FMIX、CutMix、MixUp三种数据增强方法。最终选取CutMix数据增强方式，得到7类共1.4万张图片作为水稻病虫害识别数据集。 (2)针对卷积神经网络准确率偏低的问题，通过实验对比Inception-ResNetV2、MobileNet、VGG、ResNet50四种网络模型识别结果，选取Inception-ResNetV2作为识别网络。并基于空间注意力机制和通道注意力机制，提出空间分组注意力机制。在Inception-ResNetV2模型基础上提出SGIR识别模型，并在自制数据集与公开数据集上与其他注意力机制以及传统算法进行对比研究。结果表明，在水稻病虫害数据集上融合了空间分组注意力机制的SGIR识别模型准确率可达93.64％，优于传统网络模型Inception-ResNetV2的93.O％。同时在公开数据集Cif-10上准确率可达92.1％，优于传统网络模型Inception-ResNetV2的91.6％。也取得了更好的效果。 (3)为进一步提高水稻病虫害识别的准确率，对工作(2)提出的模型进一步优化。首先训练过程改用锐度感知最小化优化器，提升MobileNet、VGG、ResNet50、SGIR四种卷积网络模型的优化能力与准确率;另外，基于单一神经网络模型具有特定的识别优势，融合权重使用可以提高识别准确率，使用随机权重加权的方法集成四种卷积网络模型。实验结果表明，水稻病虫害识别的准确率达到94.12％。此结果也优于基于迁移学习的对比实验。 (4)实现并设计了水稻病虫害识别与查询系统，使用Python环境与QT5、Pytorch框架组成系统，具有水稻病虫害数据收集与数据集构建，深度学习网络识别模型训练，水稻病虫害识别，系统管理，水稻病虫害信息查询功能。能够满足用户对水稻病虫害识别系统的应用需求以及对系统的拓展与管理需要。
NETL