基于多特征优化和改进关系网络的茶叶病害识别
发布时间：2021-11-19 11:39
茶叶作为我国重要的农作物之一,常常受到病害的侵染,尤其以茶叶叶片病害为主。茶叶病害的准确识别可以为后续的科学防治提供施策依据、减少农药的使用、降低残留农药对土壤的污染和防止大面积病害的发生,同时提高茶农的收入和增强市场竞争力。本文在研究国内外茶叶病害及其它农作物病害的基础上,构建茶叶病害数据集,并且提出两种茶叶病害识别算法,分别是基于多特征优化的茶叶病害识别方法和改进关系网络的茶叶病害识别方法。具体工作如下:（1）构建茶叶病害数据集。通过无人机和照相机等设备采集绿茶叶片图像,构建茶叶叶片病害数据集,包括两个数据子集。其中,一个数据集包含三类茶叶叶片数据,分别是正常茶叶叶片、感染茶赤叶斑病叶片和感染茶圆赤星病叶片,共100幅图像;另一个数据集包含如茶黑煤病、茶炭疽病等五类茶叶叶片数据,共209幅图像,用于测试茶叶病害识别算法的病害识别能力。（2）提出了基于多特征优化的茶叶病害识别算法。以正常茶叶叶片、感染茶赤叶斑病茶叶叶片和感染茶圆赤星病茶叶叶片图像为研究对象。首先,采用方向梯度直方图和Inception v3模型分别提取茶叶图像特征;然后,基于提出的多特征优化算法对两类特征进行特征优化...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
茶叶病害识别流程
第一章绪论4（1）数据的采集一般情况下，深度学习方法需要大量标注良好的数据才能获得较好的实验结果。因此，数据的获取成为了一个关键的问题。茶园面积大，通过固定照相机覆盖整个茶园的方式，费用较昂贵；手持相机获取茶叶图像覆盖率有限，而且需要花费大量的人力成本；采用无人机等方式拍摄的茶园图像针对处于初期的茶叶病斑无法起到很好的预警效果，而且数据处理相对复杂。（2）数据的处理和标注数据的处理一直都是一项繁杂的工作。对于茶叶数据的标注，需要有经验的茶农甚至是农业专家的指导，没有经验的研究人员对于茶叶病害数据可能会有错误的标注，导致模型无法很好的训练。暂未发现存在一个权威、统一且公开的茶叶病害识别数据集，使得不同类型的茶叶病害识别方法不能在同一个数据集上测试和比较。（3）数据复杂茶叶病害的类型繁杂，而且受到自然场景采集茶叶叶片图像的影响。图像容易受到光照、遮挡、拍摄角度和背景等因素的影响，会增大同类样本之间的差异，即类内差异大，使得茶叶病害的识别难度增加，降低茶叶病害的识别率。图1.2茶叶叶片图像受到不同环境因素的影响Fig.1.2Tealeafimagesareaffectedbydifferentenvironmentalfactors（4）过拟合和欠拟合过拟合和欠拟合是卷积神经网络常常出现的问题，是网络的拟合能力与数据复杂度间不匹配的结果。过拟合一般在训练数据集上表现良好，但在测试集上表现不佳。欠拟合在训练集和测试集上都表现较差。受到茶叶数据集的规模、质量、网络结构、损失函数、优化方式和超参数设置等因素的影响，茶叶病害算法容易过拟合或欠拟合，算法的预测准确性、鲁棒性和泛化性等还有很大的提升空间。
安徽大学硕士学位论文7第二章茶叶病害识别理论与数据集2009年图像公开数据集Imagenet的发布，使得众多的专家和学者意识到数据的重要性以及它在研究领域中的地位。数据的数量和质量将大大影响模型（算法）的性能。因此，数据在深度学习的三大核心要素中占有一席之地。本章除了介绍卷积神经网络的相关知识和小样本学习相关概念，还将介绍本文采用的公开数据集，包括Omniglot，miniImageNet和农作物病害检测数据集，详细介绍本文构建的茶叶叶片图像数据集，将用于训练、测试本文提出的茶叶病害识别算法。2.1卷积神经网络卷积神经网络是深度学习(DeepLearning,DL)的核心算法之一，是一种处理已知网格状拓扑结构的数据。受到动物的视觉系统启发，采用局部连接和参数共享的原理，在减少参数的情况下，保证网络的性能，全连接神经网络和卷积神经网络结构如图2.1和图2.2所示。LeCun在上世纪90年代提出LeNet-5模型，用于解决手写数字识别问题，其中的基础架构和理论成为神经网络的基石。在2012年的ImageNet竞赛上，卷积神经网络AlexNet一举夺得冠军，top-5的错误率比当时排名第二的方法低11%左右。从那时起，在众多学者和专家的努力下，在大规模标注数据和强大计算机算力的基础上，神经网络爆发出强大的活力和表现出优异的性能。现在，VGG、Inception系列、ResNet、MobileNet等网络的提出，使得卷积神经网络更加强大。在图像识别、物体检测、自动驾驶、自动控制等领域都取得很大的成功。卷积神经网络由卷积层、池化层、激活函数层以及全连接层等结构组成，下面将详细阐述卷积神经网络相关的知识以及它的结构。图2.1全连接神经网络结构Fig.2.1Schematicdiagramoffullyconnectedneuralnetwork
【参考文献】：
期刊论文
[1]基于one-shot学习的小样本植物病害识别[J]. 任胜男,孙钰,张海燕,郭丽霞. 江苏农业学报. 2019(05)
[2]基于高阶残差和参数共享反馈卷积神经网络的农作物病害识别[J]. 曾伟辉,李淼,李增,熊焰. 电子学报. 2019(09)
[3]基于荧光透射谱和高光谱图像纹理的茶叶病害预测研究[J]. 芦兵,孙俊,杨宁,武小红,周鑫. 光谱学与光谱分析. 2019(08)
[4]茶树病害智能诊断识别算法研究[J]. 林彬彬,邱新法,何永健,朱晓晨,张阳. 江苏农业科学. 2019(06)
硕士论文
[1]基于卷积神经网络和迁移学习的农作物病害和杂草图像识别研究[D]. 王敬贤.中国科学技术大学 2019
[2]基于深度学习的茶叶嫩芽检测和叶部病害图像识别研究[D]. 孙肖肖.山东农业大学 2019
[3]基于深度学习的农作物病害识别[D]. 李凯雨.河南农业大学 2018
[4]基于卷积神经网络的小麦叶部病害图像识别研究[D]. 林中琦.山东农业大学 2018
[5]基于图像特征的茶叶病害识别方法研究[D]. 王佳平.南京农业大学 2017
本文编号：3504959
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
茶叶病害识别流程
第一章绪论4（1）数据的采集一般情况下，深度学习方法需要大量标注良好的数据才能获得较好的实验结果。因此，数据的获取成为了一个关键的问题。茶园面积大，通过固定照相机覆盖整个茶园的方式，费用较昂贵；手持相机获取茶叶图像覆盖率有限，而且需要花费大量的人力成本；采用无人机等方式拍摄的茶园图像针对处于初期的茶叶病斑无法起到很好的预警效果，而且数据处理相对复杂。（2）数据的处理和标注数据的处理一直都是一项繁杂的工作。对于茶叶数据的标注，需要有经验的茶农甚至是农业专家的指导，没有经验的研究人员对于茶叶病害数据可能会有错误的标注，导致模型无法很好的训练。暂未发现存在一个权威、统一且公开的茶叶病害识别数据集，使得不同类型的茶叶病害识别方法不能在同一个数据集上测试和比较。（3）数据复杂茶叶病害的类型繁杂，而且受到自然场景采集茶叶叶片图像的影响。图像容易受到光照、遮挡、拍摄角度和背景等因素的影响，会增大同类样本之间的差异，即类内差异大，使得茶叶病害的识别难度增加，降低茶叶病害的识别率。图1.2茶叶叶片图像受到不同环境因素的影响Fig.1.2Tealeafimagesareaffectedbydifferentenvironmentalfactors（4）过拟合和欠拟合过拟合和欠拟合是卷积神经网络常常出现的问题，是网络的拟合能力与数据复杂度间不匹配的结果。过拟合一般在训练数据集上表现良好，但在测试集上表现不佳。欠拟合在训练集和测试集上都表现较差。受到茶叶数据集的规模、质量、网络结构、损失函数、优化方式和超参数设置等因素的影响，茶叶病害算法容易过拟合或欠拟合，算法的预测准确性、鲁棒性和泛化性等还有很大的提升空间。
安徽大学硕士学位论文7第二章茶叶病害识别理论与数据集2009年图像公开数据集Imagenet的发布，使得众多的专家和学者意识到数据的重要性以及它在研究领域中的地位。数据的数量和质量将大大影响模型（算法）的性能。因此，数据在深度学习的三大核心要素中占有一席之地。本章除了介绍卷积神经网络的相关知识和小样本学习相关概念，还将介绍本文采用的公开数据集，包括Omniglot，miniImageNet和农作物病害检测数据集，详细介绍本文构建的茶叶叶片图像数据集，将用于训练、测试本文提出的茶叶病害识别算法。2.1卷积神经网络卷积神经网络是深度学习(DeepLearning,DL)的核心算法之一，是一种处理已知网格状拓扑结构的数据。受到动物的视觉系统启发，采用局部连接和参数共享的原理，在减少参数的情况下，保证网络的性能，全连接神经网络和卷积神经网络结构如图2.1和图2.2所示。LeCun在上世纪90年代提出LeNet-5模型，用于解决手写数字识别问题，其中的基础架构和理论成为神经网络的基石。在2012年的ImageNet竞赛上，卷积神经网络AlexNet一举夺得冠军，top-5的错误率比当时排名第二的方法低11%左右。从那时起，在众多学者和专家的努力下，在大规模标注数据和强大计算机算力的基础上，神经网络爆发出强大的活力和表现出优异的性能。现在，VGG、Inception系列、ResNet、MobileNet等网络的提出，使得卷积神经网络更加强大。在图像识别、物体检测、自动驾驶、自动控制等领域都取得很大的成功。卷积神经网络由卷积层、池化层、激活函数层以及全连接层等结构组成，下面将详细阐述卷积神经网络相关的知识以及它的结构。图2.1全连接神经网络结构Fig.2.1Schematicdiagramoffullyconnectedneuralnetwork
【参考文献】：
期刊论文
[1]基于one-shot学习的小样本植物病害识别[J]. 任胜男,孙钰,张海燕,郭丽霞. 江苏农业学报. 2019(05)
[2]基于高阶残差和参数共享反馈卷积神经网络的农作物病害识别[J]. 曾伟辉,李淼,李增,熊焰. 电子学报. 2019(09)
[3]基于荧光透射谱和高光谱图像纹理的茶叶病害预测研究[J]. 芦兵,孙俊,杨宁,武小红,周鑫. 光谱学与光谱分析. 2019(08)
[4]茶树病害智能诊断识别算法研究[J]. 林彬彬,邱新法,何永健,朱晓晨,张阳. 江苏农业科学. 2019(06)
硕士论文
[1]基于卷积神经网络和迁移学习的农作物病害和杂草图像识别研究[D]. 王敬贤.中国科学技术大学 2019
[2]基于深度学习的茶叶嫩芽检测和叶部病害图像识别研究[D]. 孙肖肖.山东农业大学 2019
[3]基于深度学习的农作物病害识别[D]. 李凯雨.河南农业大学 2018
[4]基于卷积神经网络的小麦叶部病害图像识别研究[D]. 林中琦.山东农业大学 2018
[5]基于图像特征的茶叶病害识别方法研究[D]. 王佳平.南京农业大学 2017
本文编号：3504959
本文链接：https://www.wllwen.com/guanlilunwen/lindaojc/3504959.html
