基于Android的黄瓜病虫害检测系统
发布时间:2018-06-15 05:15
本文选题:图像预处理 + 深度神经网络 ; 参考:《宁夏大学》2017年硕士论文
【摘要】:为了更好地推进宁夏回族自治区“十三五”重点研发计划重大项目的发展,实现作物产品的规模化、工业化生产,并进一步带动农民经济的发展,不断加强和发展农作物在中间环节的培养与管理就显得尤为重要。本文致力于寻找快速、便捷、精确的检测方法,基于深度神经卷积网络,设计出一款病虫害检测系统产品,极大地便利了农民的生产与生活,有效推动了经济发展。本文将卷积神经网络引入到农作物病虫害检测领域,,设计出合理网络节点数目与网络层数将7264张黄瓜叶片分为四类:健康叶片、轻微病叶、严重病叶以及非常严重病叶。最终准确率高达95.06%,并开发了一款用于温室黄瓜叶片病虫害检测的系统。主要工作如下:首先,统一选用比较暗淡的颜色作为样本背景利用摄像机对黄瓜进行拍摄取样,为更好的分离背景建立模型库做好准备。其次,将采集好的照片进行预处理,预处理的目的在于将图片处理成可以进行训练的图片格式。预处理中主要对图像进行平滑、锐化、几何变换,并结合直方图特性求解阈值,利用图像分割技术进行背景分离提取出叶片基本信息与特征,方便人眼视觉识别。通过旋转等方式增加图片数量提高整体训练分类准确率。再次,利用卷积神经网络对样本图像进行分类训练。对单张图片样本分割和分类,并提取单张图片中的样本信息分割图像中的变量并将其中概率最高的五大类标记、预测和显示。可以有效判断图片样本信息。而后,对样本数据进行分类训练,使用CNN卷积神经网络,实现训练分类。使用一个小型的包含两层卷积层和池化层的LeNet的网络结构,对7264个样本数据进行5000次分类训练。通过调整数据样本容量,利用正则化避免过拟合,不断提高训练分类准确率比值。准确率从开始的86.5%提高到95.1%。同时提取了卷积过程中的特征点情况,每张图一共显示96个特征图,其中前32个特征图表示第一层卷积特征,后64个特征表示第二层卷积特征。最后,在手机客户端完成了相关APP界面设计。
[Abstract]:In order to better promote the development of the key research and development plan of the 13th Five - Year Plan of Ningxia Hui Autonomous Region , it is of great importance to realize the large - scale and industrialized production of crop products , and to further drive the development of farmers ' economy , and to improve the accuracy rate of training classification .
【学位授予单位】:宁夏大学
【学位级别】:硕士
【学位授予年份】:2017
【分类号】:S436.421;TP316;TP391.41
【参考文献】
相关期刊论文 前10条
1 张剑桥;叶东;孙兆伟;;SE(3)上姿轨耦合航天器高精度快速终端滑模控制[J];宇航学报;2017年02期
2 俞一云;何良华;;基于卷积神经网络的ADHD的判别分析[J];微型机与应用;2017年04期
3 王万国;田兵;刘越;刘O,
本文编号:2020827
本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2020827.html