苹果叶片病害识别及品质预测管理系统研发
发布时间：2020-12-07 08:51
近年来,气候变化对苹果品质的影响程度逐渐增强。针对气象因素进行科学的品质预测对于果农收入、果品供求、市场流通等具有重要作用。苹果病害时常发生,但由于果农缺乏病害识别与防控技术,易导致错判苹果病害种类而不当施药,造成经济损失。若及早发现并诊断病害种类,进行精准防控,对保障我国苹果品质具有重要作用。随着机器学习、深度学习的不断发展,借助算法有效地进行科学预测成为可能。本文针对苹果品质预测、图像识别模型等问题展开研究,主要研究内容及研究成果如下:(1)针对堆叠稀疏自动编码器训练时间较长的问题,提出了一种基于K均值聚类优化堆叠稀疏自动编码器模型。该模型共有2点改进:在传统堆叠稀疏自动编码器模型的基础上,引入了K均值聚类算法和并行级联学习机制,前者通过对输入层及各隐层的输入向量进行聚类,生成K个子类并行输入到K个稀疏自动编码器中训练,减少并行稀疏自动编码器的输入数据规模;后者通过并行级联学习,有效地融合并行稀疏自动编码器的权值参数,加快模型运行速度。该改进模型与最近提出的堆叠降噪稀疏自动编码器相比具有更高的识别准确率,且极大地减少了模型的预训练时间,加快模型开发速度。实验结果表明传统训练方法存在...
【文章来源】：山东农业大学山东省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
自动编码器结构图
苹果叶片病害识别及品质预测管理系统研发由于图像识别任务较难，浅层网络不能较好地提取充分多的特征，所以需要利用多个稀疏自动编码器进行特征蒸馏，以更好地获得类间区分度高的特征。堆叠稀疏自动编码器（Stacked Sparse AutoEncoder, SSAE）是一种典型的深度学习模型，通过将最后一层稀疏自动编码器连接分类器或者回归器，以达到监督学习的目的。其训练过程包括两部分：无监督逐层预训练阶段和微调阶段。其基本结构如图 2所 示。图中左边为预训练阶段，右边为微调阶段。
(a)未加入 Dropout策略的结构图(b)加入 Dropout 策略的结构图(a)The structure without Dropout strategy (b)The structure with Dropout strategy图 3 有无 Dropout策略的网络结构图Fig.3 The network structure with and without Dropout strategy卷积神经网络深度越深，需要训练的参数越多，常见的优化函数有随机梯。卷积神经网络的训练过程通常是将卷积网络看成一个整体，利用优化函微调操作，直至模型接近收敛为止。章小结本章主要介绍支持向量机回归相关原理及求解过程，以及常见的深度学习堆叠自动编码器、深度卷积神经网络等模型的相关理论和基本结构。
【参考文献】：
期刊论文
[1]山西:组团参加全国苹果大数据发展应用协作组会议和全国苹果大数据发展应用高峰论坛[J]. 王秋萍. 中国果业信息. 2018(11)
[2]英国:气候变化可能改变苹果生产[J]. 禾本. 中国果业信息. 2018(11)
[3]基于改进VGG卷积神经网络的棉花病害识别模型[J]. 张建华,孔繁涛,吴建寨,翟治芬,韩书庆,曹姗姗. 中国农业大学学报. 2018(11)
[4]近年我国重要苹果病害发生概况及研究进展[J]. 王树桐,王亚南,曹克强. 植物保护. 2018(05)
[5]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[6]气候变化对新疆苹果种植气候适宜性的影响[J]. 张山清,普宗朝,李新建,吉春容. 中国农业资源与区划. 2018(08)
[7]基于稀疏自动编码器和支持向量机的图像分类[J]. 刘芳,路丽霞,王洪娟,王鑫. 系统仿真学报. 2018(08)
[8]苹果产业大数据应用体系架构设计[J]. 程述汉,毕燕东,束怀瑞. 落叶果树. 2018(03)
[9]一种基于卷积神经网络的小麦病害识别方法[J]. 张航,程清,武英洁,王亚新,张承明,殷复伟. 山东农业科学. 2018(03)
[10]卷积神经网络在黄瓜叶部病害识别中的应用[J]. 张善文,谢泽奇,张晴晴. 江苏农业学报. 2018(01)
硕士论文
[1]基于深度卷积网络的农业病虫害图像分类识别应用[D]. 顾文璇.武汉轻工大学 2017
[2]基于全噪声自动编码器的深度神经网络优化算法[D]. 夏林.武汉科技大学 2016
[3]基于HDFS的多属性图片存储的设计与实现[D]. 孙德辉.华中科技大学 2016
[4]多任务多类特权信息支持向量机[D]. 戢友.华东师范大学 2012
[5]用简化的孪生支持向量回归机同步学习函数及其导数[D]. 付岚.西安电子科技大学 2012
本文编号：2902976
【文章来源】：山东农业大学山东省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
自动编码器结构图
苹果叶片病害识别及品质预测管理系统研发由于图像识别任务较难，浅层网络不能较好地提取充分多的特征，所以需要利用多个稀疏自动编码器进行特征蒸馏，以更好地获得类间区分度高的特征。堆叠稀疏自动编码器（Stacked Sparse AutoEncoder, SSAE）是一种典型的深度学习模型，通过将最后一层稀疏自动编码器连接分类器或者回归器，以达到监督学习的目的。其训练过程包括两部分：无监督逐层预训练阶段和微调阶段。其基本结构如图 2所 示。图中左边为预训练阶段，右边为微调阶段。
(a)未加入 Dropout策略的结构图(b)加入 Dropout 策略的结构图(a)The structure without Dropout strategy (b)The structure with Dropout strategy图 3 有无 Dropout策略的网络结构图Fig.3 The network structure with and without Dropout strategy卷积神经网络深度越深，需要训练的参数越多，常见的优化函数有随机梯。卷积神经网络的训练过程通常是将卷积网络看成一个整体，利用优化函微调操作，直至模型接近收敛为止。章小结本章主要介绍支持向量机回归相关原理及求解过程，以及常见的深度学习堆叠自动编码器、深度卷积神经网络等模型的相关理论和基本结构。
【参考文献】：
期刊论文
[1]山西:组团参加全国苹果大数据发展应用协作组会议和全国苹果大数据发展应用高峰论坛[J]. 王秋萍. 中国果业信息. 2018(11)
[2]英国:气候变化可能改变苹果生产[J]. 禾本. 中国果业信息. 2018(11)
[3]基于改进VGG卷积神经网络的棉花病害识别模型[J]. 张建华,孔繁涛,吴建寨,翟治芬,韩书庆,曹姗姗. 中国农业大学学报. 2018(11)
[4]近年我国重要苹果病害发生概况及研究进展[J]. 王树桐,王亚南,曹克强. 植物保护. 2018(05)
[5]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[6]气候变化对新疆苹果种植气候适宜性的影响[J]. 张山清,普宗朝,李新建,吉春容. 中国农业资源与区划. 2018(08)
[7]基于稀疏自动编码器和支持向量机的图像分类[J]. 刘芳,路丽霞,王洪娟,王鑫. 系统仿真学报. 2018(08)
[8]苹果产业大数据应用体系架构设计[J]. 程述汉,毕燕东,束怀瑞. 落叶果树. 2018(03)
[9]一种基于卷积神经网络的小麦病害识别方法[J]. 张航,程清,武英洁,王亚新,张承明,殷复伟. 山东农业科学. 2018(03)
[10]卷积神经网络在黄瓜叶部病害识别中的应用[J]. 张善文,谢泽奇,张晴晴. 江苏农业学报. 2018(01)
硕士论文
[1]基于深度卷积网络的农业病虫害图像分类识别应用[D]. 顾文璇.武汉轻工大学 2017
[2]基于全噪声自动编码器的深度神经网络优化算法[D]. 夏林.武汉科技大学 2016
[3]基于HDFS的多属性图片存储的设计与实现[D]. 孙德辉.华中科技大学 2016
[4]多任务多类特权信息支持向量机[D]. 戢友.华东师范大学 2012
[5]用简化的孪生支持向量回归机同步学习函数及其导数[D]. 付岚.西安电子科技大学 2012
本文编号：2902976
本文链接：https://www.wllwen.com/guanlilunwen/glzh/2902976.html
