答辩博士：张家瑜
指导老师：陈坤杰教授
论文题目：基于卷积神经网络长期依赖机制的木薯叶病害检测算法
答辩委员会：
主席：
周俊教授/博导 南京农业大学
委员：
何瑞银教授/博导 南京农业大学
丁为民教授/博导 南京农业大学
周宏平研究员/博导 南京林业大学
金诚谦研究员 农业农村部南京农业机械化研究所
秘书：
黄继超副教授/硕导南京农业大学
答辩时间：2024年5月31日14:30时
答辩地点：浦口校区育贤楼C402会议室
论文简介：
木薯，作为全球人类第三大碳水化合物来源，是全球近6亿人的日常主粮，在全球主粮供应中扮演着重要角色。然而，频繁发生的木薯病害，严重影响了木薯产量的提高和品质的提升，是木薯田间管理面临的主要问题。为了实现精准施药，首先需要对复杂非结构环境下的木薯病害进行快速精准检测。目前，基于机器视觉和神经网络技术的作物病害检测方法，被认为是实现对作物病害进行快速精准检测的最有利手段。语义特征质量对神经网络模型的检测精度有重要影响，但现有的在田间复杂非结构环境下对作物病害识别任务的研究中，对语义特征扮演的角色以及高质量语义特征在提高卷积神经网络检测精度中所起的作用，还没有相应的研究报道。
本文通过对关键频率组件特征与高质量语义特征长期依赖关系的研究，构建显著性语义特征、减少混叠特征信号和增强极弱状态特征信号以提高语义特征质量，进而提出一种低成本、高精度的田间木薯叶病害检测卷积神经网络模型，以实现对复杂非结构环境下木薯叶病害的快速检测。
论文的主要研究工作及研究结果如下：
（1）基于多重注意力算法的木薯叶病害检测方法研究
旨在复杂的非结构化场景中快速准确地检测木薯叶病害。为了提高卷神经网络在田间复杂非结构环境下的语义特征提取能力，优化木薯叶语义特征质量，首先基于脉冲卷积的特征信号角频率调制数学模型，建立通道注意力算法语义特征优化数学模型；提出多重注意力算法，优化通道注意力算法的加权系数，在残差分支特征图中构建关键频率组件特征；在恒等分支中持续堆叠关键频率组件特征，构建关键频率组件特征与高质量语义特征的长期依赖关系，从而初步构建起目标物体语义信息的显著性特征；以V1.5-ResNet-101为基线算法，提出一种基于多重注意力算法的木薯叶病害检测算法MANet-101（Multiattention Neural Network）神经网络模型，并分别在木薯叶病害数据集和FGVC-Aircraft细粒度数据集上进行模型性能验证。试验结果显示，所提出的MANet-101神经网络模型在木薯叶图像上进行7折交叉验证训练后，准确率达到91.12%，F1值达到0.9212，相较V1.5-ResNet-101模型，准确率提高了13.28个百分点。在FGVC-Aircraft细粒度数据集上进行的测试，准确率达到了74.77%。表明通过优化通道注意力算法的加权系数以及构建关键频率组件特征与高质量语义特征的长期依赖关系等方法，可有效提高木薯叶病害检测准确率，为后续对木薯叶病害检测准确率的继续提升打下一定的技术基础。
（2）基于显著性语义特征的木薯叶病害检测方法研究
卷积神经网络具备信号系统的基本属性，包括信号传输、信号编码、信号采样和信号量化等。利用激活函数和归一化方法作为编码组件，在卷积神经网络中保持负数特征信号和构建显著性语义特征，可提高语义特征质量，从而提高卷积神经网络模型的准确率。为了凸显特征图中的木薯叶语义特征，提出一种在恒等分支张量加法运算后使用实例批归一化方法（Instance Batch Normalization，IBN）修正特征图中的特征分布的方法，从而构建起显著性语义特征的算法，然后以MANet-101神经网络模型为基线算法，提出MAIBNet-101神经网络模型；为了维持木薯叶语义特征的完整表达，提出一种在残差分支中使用RSigELUD激活函数代替ReLU激活函数以保留特征图中的负数特征信号的方法，实现对残差分支中语义特征丰富程度的维持，并在此基础上构建MAIRNet-101神经网络模型。7折交叉验证结果显示，MAIRNet-101神经网络模型对木薯叶病害检测的平均准确率为95.30%，F1值为0.9531。FGVC-Aircraft细粒度数据集上的测试结果显示，MAIRNet-101神经网络模型的准确率为83.64%。说明通过特征图语义特征质量的提升，模型的木薯叶病害检测准确率可以得到进一步提升。
（3）基于抗混叠模块的木薯叶病害检测方法研究
由于神经网络模型的采样频率始终为固定采样频率，难以符合奈奎斯特采样定理，由此导致采样后的特征信号衰退为混叠特征信号，降低神经网络模型特征质量，从而影响模型的准确率。为此，提出一种使用抗混叠模块中的下转换模块优化池化卷积核函数，再基于未采样特征信号局部上下文信息拟合（量化）采样特征信号，并在采样特征信号中保持空间连续的语义特征以减少采样信号中的伪频信号的方法，构建出一种优化池化卷积核函数的抗混叠模块；研究抗混叠模块添加对输出特征信号的影响，提出一种在卷积神经网络不同阶段逐次增加抗混叠模块的方法来减少采样信号中的伪频信号；以MAIBNet-101神经网络模型为基线算法，构建基于抗混叠模块的木薯叶病害检测神经网络模型MAIANet3-101（Multiattention IBN Anti-aliasing Neural Network），以验证抗混叠模块的作用并进一步提高木薯叶病害检测准确率。验证试验结果显示，MAIANet3-101神经网络模型在木薯叶病害图像上使用7折交叉验证的平均准确率为95.83%，F1值为0.9585；在FGVC-Aircraft细粒度数据集上测试的准确率为86.19%。证明通过对混叠特征信号的抑制，有助于卷积神经网络在木薯叶病害检测任务中性能的提升。
（4）基于特征信号增强模块的木薯叶病害检测方法研究
以MAIANet3-101神经网络模型为基线算法，提出R-MAIANet-101（Rectification Multiattention IBN Anti-aliasing Neural Network）神经网络模型进一步提高木薯叶病害检测准确率。
为了修复MAIANet3-101神经网络模型中的极弱状态特征信号，以进一步提高特征质量从而提升卷积神经网络的检测准确率，提出一种通过调制极弱状态特征信号的傅里叶系数和角频率，以提升极弱状态特征信号质量的算法。首先通过不等式引理，构建出积分指数不等式数学模型。然后通过傅里叶变换和积分指数不等式的使用，对一维特征信号乘方运算后的傅里叶系数和傅里叶角频率变化进行理论分析，构建出一种特征信号增强模块，再在MAIANet3-101神经网络模型的基础上，提出一种基于特征信号增强模块的R-MAIANet-101（Rectification Multiattention IBN Anti-aliasing Neural Network）神经网络模型，最后用田间实际木薯叶病害图像样本，对模型进行试验验证，结果表明，在增加了特征信号增强模块后，R-MAIANet-101神经网络模型在木薯叶病害数据集上7折交叉验证所得到的准确率为96.18%，F1值为0.9618；在FGVC-Aircraft细粒度数据集上测试得到的准确率为87.16%，均较MAIANet3-101神经网络模型有所提升， 证明特征信号增强模块对极弱状态特征信号修复有着积极作用；使用在广州湛江田间非结构环境下拍摄的木薯叶病害数据对模型进行验证的结果是，平均准确率达到了99.67%。说明R-MAIANet-101神经网络模型可以在实际应用环境下实现木薯叶病害的快速、准确检测。
主要创新点如下：
（1）提出多重注意力算法调制特征信号角频率，构建关键频率组件特征，实现关键组件特征与语义特征之间的长期依赖，初步构建显著性特征，提高特征质量，提升神经网络模型的记忆能力，为提升木薯叶病害检测准确率打下基础。
（2）使用实例批归一化方法构建显著性语义特征，提升语义特征质量，实现了语义特征前景化表达。使用RSigELUD激活函数，保持特征图中负数特征信号，为后续木薯叶病害检测准确率的提升打下技术基础。
（3）提出一种优化池化卷积核函数的抗混叠模块，保持采样特征信号中的语义特征空间连续，减少混叠特征信号干扰，提升语义特征质量，进一步提高木薯叶病害检测准确率，为后续木薯叶病害检测准确率的提高打下技术基础。基于抗混叠模块消融试验结果发现，MAIANet3-101神经网络模型第3阶段输出特征信号为极弱状态特征信号。
（4）提出特征信号增强模块，调制极弱状态特征信号的傅里叶系数和特征信号角频率，提升特征信号质量，实现田间复杂非结构环境下的木薯叶病害高精度检测。
