茶树冻害鉴定是评价茶树抗逆性、指导茶园越冬管理的基础.茶树冻害鉴定的传统方法主要通过人工观察茶树叶片的冻害数量和冻害程度,存在准确率低,效率低,主观性强等缺点.提出一种基于深度学习、小波变换和可见光谱的茶树冻害程度评估框架.首先,采集了1000张茶树受冻后的树冠图像,并且按照4:1分为训练集和测试集,并对训练集图像的冻害叶片进行标注.其次,采用Faster R-CNN网络对茶树的冻害叶片进行识别提取,并且分别选择了AlexNet、VGG19和ResNet50三种特征提取器,选择鲁棒性最高的特征提取器作为主干网络.然后,将提取到的茶树冻害叶片图像进行小波变换增强处理,从而得到了一张低频率和三张高频率的图像.将小波变换处理后的图像和未经小波变换处理的图像分别输入到VGG16、SVM、AlexNet、ResNet50等网络对冻害叶片进行分级,比较四种网络的分类性能.根据冻害叶片的数量、冻害叶片的程度,不同冻害程度叶片的权重系数,对茶树受冻程度打分,从而对茶树整体的冻害程度进行评估.结果表明:(1)基于ResNet50的Faster R-CNN模型提取茶树冻害叶片的性能最好,其查准率为93.33％,查全率为92.57％,高于VGG19和AlexNet作为主干网络的识别性能,可以确保大多数的冻害叶片都能被提取出来,并为叶片的冻害程度进一步分级提供基础.(2)VGG16模型分类不同冻害程度的叶片的整体准确率为89％,高于其他模型(SVM、AlexNet、ResNet50)的整体分类准确率,表明VGG16模型具有较高的鲁棒性.(3)小波变换处理后的冻害叶片图像与未经小波变换处理后的冻害叶片相比较,能提升模型的整体分类准确率2％～6％.说明小波变换增强技术可以提高网络的准确率.因此,本实验框架可以准确和高效地将茶树冻害叶片进行分级,对于茶园冻害程度的评估具有重要价值,为北方茶园的越冬防护提供技术支撑.
NETL
NSTL
万方数据
