基于远程监测点的作物图像种类自动识别

发布时间：2020-10-31 10:14

　　 随着“互联网+”农业项目的推进,农业园区内设置大批定点摄像头采集作物图像信息,在此过程中产生了大量无标签作物图像,至今图像数量已到无法人工目视识别的程度。因此,急需一种有效的方法实现作物图像种类的自动识别。以往的作物识别有采用遥感等技术获取样本进行人工特征提取,如支持向量机等方法。参阅相关研究可知,支持向量机是较好的分类器之一,但适用于小样本;人工观测需要大量劳动力,且识别精度有待提高;遥感采集的范围较广但易受环境影响。随着图像识别技术的发展,利用机器学习的方法进行作物图像识别已逐渐得到了应用。其中,卷积神经网络是目前流行的机器学习算法之一,并在图像识别等领域使用较广。因此,本研究采用卷积神经网络算法实现作物种类图像识别。首先,基于定点摄像头采集大豆、马铃薯、水稻和玉米作物图像,根据作物各生长期的形态目视分类建立数据集,并采用分层和等距采样的方法对数据集进行随机划分。其中,小样本数据集的训练集为400张,测试集为200张;结合图像增广技术的大样本数据集训练集12620张,测试集6310张。为了节约网络运行时间,将划分后的作物图像进行预处理,包括随机剪裁、缩放、灰度化等。其次,建立三种作物图像识别模型包括:AlexNet深度网络的模型迁移学习;结合AlexNet深度模型与PSO(粒子群)算法;参照LeNet-5模型结构设计了适用于本研究的作物识别网络模型(LeNet-m)。为了测试模型的泛化能力,先采用小样本数据集进行试验,由于AlexNet模型属于深度模型,为了防止模型过拟合预先使用ImageNet数据集进行模型训练。参阅相关研究,三种模型先进行5次迭代的等量试验,由于LeNet-m属于轻量级模型,时间允许范围内,模型迭代次数进一步设置为50和100。再次,基于以上迭代步数的小样本数据集,AlexNet模型迁移学习、AlexNet与PSO(粒子群)结合和LeNet-m的最优识别结果分别为85.94%、92.97%和95.5%。考虑三种模型的识别率、模型运行时间、硬件要求及模型性能等方面,选择对LeNet-m进行模型参数优化。试验表明,基于大数据集的LeNet-m模型识别结果最终可以达到99.38%。最后,为了增强模型的可用性,实现作物种类图像识别的自动化,本研究基于Matlab GUI进行作物图像识别系统设计。对后期有针对性的对作物种类图像的长势、健康状况等实现远程监测智能决策管理具有一定的研究意义。
【学位单位】：黑龙江八一农垦大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;S126
【部分图文】：

技术路线

图 2-1 卷积运算示意图Fig. 2-1 Convolution operation diagram2.1.1 卷积神经网络特性卷积神经网络模仿生物的视觉感知（visual perception），可以直接输入原始图像或其他数据[86-90]。权重共享可以减少网络中的自由参数的数量[91]，降低了网络模型的复杂性，处理更高维度的图像[92]。不仅具有传统神经网络的自适应等优点[93]，还具有自动提取特征等特点。（1）稀疏连接（sparse connectivity）卷积运算具有稀疏连接的特性，每个神经元仅连接到上层中的部分神经元[94]，减少了权重的数量，降低计算的复杂度，提高模型的泛化能力。如图 2-2 所示，xi表示输入单元，ci表示输出单元。在稀疏连接时，c 中的元素由 x 经过 3×3 的卷积核卷积产生，c3单元仅与x2、x3和 x4存在连接关系；在非稀疏连接时，由于 c 是由矩阵乘法产生的，所有的输入会

图 2-2 稀疏连接示意图Fig. 2-2 Sparse connection diagram络可以通过局部感知获得全局信息，数学表达如公式（2-1）所示： iiiiRF RF stride Ksize 11中，RFi表示第 i 层卷积层的感受野，RFi+1 表示（i+1）层上的感受野长，Ksize 表示该层的卷积核的大小。2）参数共享（parameter sharing）数共享表示相同的参数被使用于同一模型的多个函数中，局部连接使得每个神经元每次只与前一层神经网络输出的特征图的特定区域进行连接神经元感受到的图像的不同区域的信息进行综合，最终得到整个图像的享示意图如图 2-3 所示：
【相似文献】

相关期刊论文 前10条

1 刘建国;陆地卫星MSS图像地表水域信息的机助识别提取[J];环境遥感;1989年01期

2 高连生;王学坤;;基于图像特征值的彩色图像二值化[J];信息与电脑(理论版);2013年07期

3 李晓东;李志强;雷晓平;丁伟雄;;彩色数字仪表图像二值化技术研究[J];计算机技术与发展;2010年04期

4 李康顺;阮丹丹;张文生;;基于演化算法的图像二值化算法研究[J];计算机应用研究;2012年01期

5 林俊;徐杜;蒋永平;黄文恺;段海淼;;基于梯度的动态分块迭代阈值图像二值化方法[J];光学与光电技术;2006年05期

6 王强,马利庄;图像二值化时图像特征的保留[J];计算机辅助设计与图形学学报;2000年10期

7 刘先章;夏士明;黄雁华;;基于图像二值化的动态干涉条纹研究[J];物理与工程;2012年06期

8 董立菊,于戈;一种有效的图像二值化方法[J];东北大学学报;2004年12期

9 荆永菊;;数字图书馆中图像二值化技术应用[J];现代情报;2012年05期

10 江明;刘辉;黄欢;;图像二值化技术的研究[J];软件导刊;2009年04期

相关博士学位论文 前7条

1 刘海明;材料组分、表面微裂纹缺陷的图像表征方法及其应用研究[D];武汉理工大学;2016年

2 高珏;基于声图像的水下目标感知技术研究[D];哈尔滨工程大学;2018年

3 张重阳;票据自动处理系统中的预处理技术研究[D];南京理工大学;2004年

4 张星明;地质图象处理算法的研究与实现[D];中国科学院研究生院（计算技术研究所）;1999年

5 吴琼玉;基于图像的视图合成技术研究[D];国防科学技术大学;2006年

6 张健;复杂图像文本提取关键技术与应用研究[D];南开大学;2014年

7 滕婷婷;基于共址MIMO图像声纳的水下运动小目标检测跟踪技术研究[D];哈尔滨工程大学;2014年

相关硕士学位论文 前10条

1 康靖媛;基于深度学习和图像补全的毫米波人体图像异物检测与定位[D];西安电子科技大学;2018年

2 杨丽莹;基于单幅图像的多样性和真实感三维凹浮雕生成研究[D];西北农林科技大学;2019年

3 王佳琪;箭支筛选及自动判靶系统设计[D];中北大学;2019年

4 于洋;基于远程监测点的作物图像种类自动识别[D];黑龙江八一农垦大学;2019年

5 严星;基于图像分析的成捆钢筋端面识别与计数方法研究[D];武汉理工大学;2018年

6 潘邦增;基于AM5728多核优化的视频助视软件设计与开发[D];浙江工业大学;2019年

7 高伟;太阳光定向照射系统的研究与实现[D];西安工业大学;2018年

8 胡斯;多光谱物证分析仪的研究与实现[D];桂林电子科技大学;2018年

9 罗俊欣;面向深空探测图像高效传输的跨层联合优化[D];哈尔滨工业大学;2017年

10 程燕群;基于DSP的文字图像倾斜检测算法改进研究[D];安徽理工大学;2018年

本文编号：2863813