基于Android和深度学习的稻田病虫害智能诊断系统的研究与实现
发布时间：2021-08-14 23:52
稻田害虫和病害种类繁多,存在种间相似和种类差异的现象,容易混淆,且不同的病虫害类型对应的防治方法也不同,因此实时准确地识别出稻田病虫害所属种类是有效开展病虫害综合防治的重要前提。目前,我国稻田病虫害的诊断方式主要依靠人工识别,主观性强,实时性差,在当前水稻病虫害分类学家和基层测报人员较少、农民专业知识缺乏的情况下,亟需便捷快速的稻田病虫害智能诊断工具。针对上述问题,本文以稻田49种害虫和47种病害作为研究对象,开发了基于Android和深度学习的稻田病虫害智能诊断系统,为基层测报人员和农民提供了一个便捷准确的自动诊断工具,主要研究内容与结果如下:（1）稻田病虫害图像识别算法的研究。本文针对稻田49种害虫和47种病害,在Caffe深度学习框架下,利用迁移学习的方法对卷积神经网络进行参数微调,训练了 CaffeNet、GoogleNet、VGGNet、ResNet和DenseNet五个流行的深度学习模型,在测试集上获得了对稻田病虫害识别效果最好的DenseNet模型,对害虫和病害识别的准确率分别为94.8%和 91.4%。（2）开发了稻田病虫害智能诊断APP客户端。该客户端APP主要由5个...
【文章来源】：浙江理工大学浙江省
【文章页数】：61 页
【学位级别】：硕士
【图文】：
图１．１稻田病虫害智能诊断系统技术路线图??
ｅｎｔｉｔｙ??Ｍａｐｐｉｎｇ）。恒等映射不会加深Ｍ络的参数，相当于一个退化的浅层网络。??如阁２Ｊ所小是一个ＲｅｓＮｅｔ的残差学习单元，其中Ｉ代表输入图像，尸⑷为经过卷积??操作的输山，／／（Ａ〇为理想映射输出，／／（Ａ＞Ｆ（Ａ＂）＋尤通过将拟合残差函数巧幻代替拟合Ｕ??ｆｅｌ求Ｉ数／／（Ａ１，将输出变＞」拟合和输入的叠加１７（）】，使得网络的输出对输入Ｘ的微小变动变得??更加敏感。??Ｆ（Ｘ）?Ｒｅ，ｎ?Ｉ?Ｘ??丨?ｉｄｅｎｔｉｔｙ??Ｗｅｉ＾ｉｔ?ｌａｖｅｒ?／??图２．３?ＲｅｓＮｅｔ残差单元??相比丁．普通网络在层叠过多的卷积层会出现梯度消失的问题，ＲｅｓＮｅｔ的Ｂａｔｃｈ?ＮｏｒｍＵ??和ＲｅＬＵ层的引用对整个网络的训练与测试起到了非常重要的作用［７ｌ］°ＢａｔｃｈＮｏｒｍ通过规范??化输入数据，改变数据的分布，在前向传播的过程中，防止梯度消失的丨）彳题；ＲｅＬＵ作为祌??经Ｍ络中的激活层，相比于其他传统祌经Ｍ络中的激活函数，它减少丫梯度弥故的问题所??产生的影响，汴加快丫?Ｍ络训练的收敛速度。??普通直连的卷积神经Ｎ络与ＲｅｓＮｅｔ相比，最直接的差别在于传统网络在信息传递时会??１１??
。本Ｎ络小仅＋会带來冗??余，反而会变得更窄，而丨１参数更少，抑制了过拟合的ｋ树也减轻了梯度泊失的影响，更??灯效的利用了输入的特征。??ＤｅｎｓｃＮｃｔ网络结构彳要由密集连接块Ｄｅｎｓｅ?Ｂｌｏｃｋ和过渡层Ｔｒａｎｓｉｔｉｏｎ层组成，其核心??足采用密集连接机制，即知个层都会接受其前面所有层所学习的特征阁作为输入如阁２．４。??在每个Ｄｅｎｓｅ?Ｂｌｏｃｋ中，各个层的特征图大小一致，可以在通道维度上连接，每层之间采用??丨丨：？线性组合函数ＢＮ＋ＲｅＬＵ＋３Ｘ３?Ｃｏｎｖ的结构，如图２．５所示。Ｔｒａｎｓｉｔｉｏｎ?Ｌａｙｅｒ处在两个Ｄｅｎｓｅ??Ｂｌｏｃｋ］１间，包含１?Ｘ】卷积层和２Ｘ２平均池化层。１?ＸＩ卷积是为丫在Ｄｅｎｓｅ?Ｂｌｏｃｋ结束）ｕ＇减??少其特征图的通道数，２?Ｘ?２池化ＭＷ以降低特征图的尺寸。??＾?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ。?！?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ?Ｑ?丨丨?Ｄｅｎｓｅ?Ｂｌｏｃｋ?。??ｕ?ｎｙｉ?—?」ｕ?ｕ??Ｔｒａｎｓｉｔｉｏｎ?Ｔｒａｎｓｉｔｉｏｎ??图２．４?ＤｅｎｓｅＮｅｔ的网络结构??１２??
【参考文献】：
期刊论文
[1]基于神经网络的数字信号多分类识别方法[J]. 杨栩. 汽车实用技术. 2019(21)
[2]Nginx+Keepalived+Tomcat+MySQL高可用负载均衡Web应用架构实践[J]. 丘杰雄. 金融科技时代. 2019(11)
[3]基于GoogLeNet的茶叶嫩芽生长状态智能识别[J]. 方梦瑞,夏华鵾,周礼赞,吕军. 黄山学院学报. 2019(05)
[4]基于GoogLeNet和ResNet的深度融合神经网络在脉搏波识别中的应用[J]. 张选,胡晓娟. 计算机系统应用. 2019(10)
[5]基于卷积神经网络的水稻病害图像识别研究[J]. 邱靖,刘继荣,曹志勇,李俊杰,杨毅. 云南农业大学学报(自然科学). 2019(05)
[6]基于稀疏表示和决策融合的图像分类方法[J]. 储岳中,李家浩,张学锋,纪滨. 计算机应用与软件. 2019(07)
[7]储粮害虫智能图鉴及图像识别APP软件设计[J]. 赵彬宇,周慧玲,李江涛,严晓平,韩康榕. 粮食储藏. 2019(03)
[8]基于DenseNet的复杂交通场景语义分割方法[J]. 蒋斌,涂文轩,杨超,刘虹雨,赵子龙. 模式识别与人工智能. 2019(05)
[9]基于卷积神经网络的水稻纹枯病图像识别[J]. 刘婷婷,王婷,胡林. 中国水稻科学. 2019(01)
[10]基于深度学习的水稻叶部病害识别方法研究[J]. 路阳,郭丹,沈贺,李欣,韩正君. 信息记录材料. 2018(12)
博士论文
[1]基于表示学习及回归模型的稳健人脸识别方法研究[D]. 邰颖.南京理工大学 2017
[2]基于机器视觉的害虫识别方法研究[D]. 吴翔.浙江大学 2016
[3]基于机器视觉的农田害虫快速检测与识别研究[D]. 韩瑞珍.浙江大学 2014
硕士论文
[1]基于改进ResNet网络的宫颈癌细胞识别[D]. 庄重.北京交通大学 2019
[2]基于图像的水稻害虫计数与识别的研究[D]. 陈亚龙.江西理工大学 2019
[3]机器学习在水稻病斑图像识别中的方法研究[D]. 崔丽洁.青岛科技大学 2019
[4]基于深度学习的农业灯诱害虫自动识别与计数技术的研究[D]. 周爱明.浙江理工大学 2019
[5]基于图像处理的水稻叶部病害快速识别方法研究[D]. 关莹.东北农业大学 2018
[6]基于Jetson TX1的人脸识别算法的研究与实现[D]. 毛礼建.杭州电子科技大学 2018
[7]基于机器学习的水稻病害识别算法的研究[D]. 刘成.安徽大学 2018
[8]基于深度学习的图像分类和人脸识别算法研究[D]. 郑弘晖.北京邮电大学 2018
[9]基于机器视觉的中华稻蝗早期蝗蝻的识别和检测研究[D]. 杨国国.浙江大学 2017
[10]基于图像识别的储粮害虫检测[D]. 王德发.北京邮电大学 2017
本文编号：3343417
【文章来源】：浙江理工大学浙江省
【文章页数】：61 页
【学位级别】：硕士
【图文】：
图１．１稻田病虫害智能诊断系统技术路线图??
ｅｎｔｉｔｙ??Ｍａｐｐｉｎｇ）。恒等映射不会加深Ｍ络的参数，相当于一个退化的浅层网络。??如阁２Ｊ所小是一个ＲｅｓＮｅｔ的残差学习单元，其中Ｉ代表输入图像，尸⑷为经过卷积??操作的输山，／／（Ａ〇为理想映射输出，／／（Ａ＞Ｆ（Ａ＂）＋尤通过将拟合残差函数巧幻代替拟合Ｕ??ｆｅｌ求Ｉ数／／（Ａ１，将输出变＞」拟合和输入的叠加１７（）】，使得网络的输出对输入Ｘ的微小变动变得??更加敏感。??Ｆ（Ｘ）?Ｒｅ，ｎ?Ｉ?Ｘ??丨?ｉｄｅｎｔｉｔｙ??Ｗｅｉ＾ｉｔ?ｌａｖｅｒ?／??图２．３?ＲｅｓＮｅｔ残差单元??相比丁．普通网络在层叠过多的卷积层会出现梯度消失的问题，ＲｅｓＮｅｔ的Ｂａｔｃｈ?ＮｏｒｍＵ??和ＲｅＬＵ层的引用对整个网络的训练与测试起到了非常重要的作用［７ｌ］°ＢａｔｃｈＮｏｒｍ通过规范??化输入数据，改变数据的分布，在前向传播的过程中，防止梯度消失的丨）彳题；ＲｅＬＵ作为祌??经Ｍ络中的激活层，相比于其他传统祌经Ｍ络中的激活函数，它减少丫梯度弥故的问题所??产生的影响，汴加快丫?Ｍ络训练的收敛速度。??普通直连的卷积神经Ｎ络与ＲｅｓＮｅｔ相比，最直接的差别在于传统网络在信息传递时会??１１??
。本Ｎ络小仅＋会带來冗??余，反而会变得更窄，而丨１参数更少，抑制了过拟合的ｋ树也减轻了梯度泊失的影响，更??灯效的利用了输入的特征。??ＤｅｎｓｃＮｃｔ网络结构彳要由密集连接块Ｄｅｎｓｅ?Ｂｌｏｃｋ和过渡层Ｔｒａｎｓｉｔｉｏｎ层组成，其核心??足采用密集连接机制，即知个层都会接受其前面所有层所学习的特征阁作为输入如阁２．４。??在每个Ｄｅｎｓｅ?Ｂｌｏｃｋ中，各个层的特征图大小一致，可以在通道维度上连接，每层之间采用??丨丨：？线性组合函数ＢＮ＋ＲｅＬＵ＋３Ｘ３?Ｃｏｎｖ的结构，如图２．５所示。Ｔｒａｎｓｉｔｉｏｎ?Ｌａｙｅｒ处在两个Ｄｅｎｓｅ??Ｂｌｏｃｋ］１间，包含１?Ｘ】卷积层和２Ｘ２平均池化层。１?ＸＩ卷积是为丫在Ｄｅｎｓｅ?Ｂｌｏｃｋ结束）ｕ＇减??少其特征图的通道数，２?Ｘ?２池化ＭＷ以降低特征图的尺寸。??＾?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ。?！?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ?Ｑ?丨丨?Ｄｅｎｓｅ?Ｂｌｏｃｋ?。??ｕ?ｎｙｉ?—?」ｕ?ｕ??Ｔｒａｎｓｉｔｉｏｎ?Ｔｒａｎｓｉｔｉｏｎ??图２．４?ＤｅｎｓｅＮｅｔ的网络结构??１２??
【参考文献】：
期刊论文
[1]基于神经网络的数字信号多分类识别方法[J]. 杨栩. 汽车实用技术. 2019(21)
[2]Nginx+Keepalived+Tomcat+MySQL高可用负载均衡Web应用架构实践[J]. 丘杰雄. 金融科技时代. 2019(11)
[3]基于GoogLeNet的茶叶嫩芽生长状态智能识别[J]. 方梦瑞,夏华鵾,周礼赞,吕军. 黄山学院学报. 2019(05)
[4]基于GoogLeNet和ResNet的深度融合神经网络在脉搏波识别中的应用[J]. 张选,胡晓娟. 计算机系统应用. 2019(10)
[5]基于卷积神经网络的水稻病害图像识别研究[J]. 邱靖,刘继荣,曹志勇,李俊杰,杨毅. 云南农业大学学报(自然科学). 2019(05)
[6]基于稀疏表示和决策融合的图像分类方法[J]. 储岳中,李家浩,张学锋,纪滨. 计算机应用与软件. 2019(07)
[7]储粮害虫智能图鉴及图像识别APP软件设计[J]. 赵彬宇,周慧玲,李江涛,严晓平,韩康榕. 粮食储藏. 2019(03)
[8]基于DenseNet的复杂交通场景语义分割方法[J]. 蒋斌,涂文轩,杨超,刘虹雨,赵子龙. 模式识别与人工智能. 2019(05)
[9]基于卷积神经网络的水稻纹枯病图像识别[J]. 刘婷婷,王婷,胡林. 中国水稻科学. 2019(01)
[10]基于深度学习的水稻叶部病害识别方法研究[J]. 路阳,郭丹,沈贺,李欣,韩正君. 信息记录材料. 2018(12)
博士论文
[1]基于表示学习及回归模型的稳健人脸识别方法研究[D]. 邰颖.南京理工大学 2017
[2]基于机器视觉的害虫识别方法研究[D]. 吴翔.浙江大学 2016
[3]基于机器视觉的农田害虫快速检测与识别研究[D]. 韩瑞珍.浙江大学 2014
硕士论文
[1]基于改进ResNet网络的宫颈癌细胞识别[D]. 庄重.北京交通大学 2019
[2]基于图像的水稻害虫计数与识别的研究[D]. 陈亚龙.江西理工大学 2019
[3]机器学习在水稻病斑图像识别中的方法研究[D]. 崔丽洁.青岛科技大学 2019
[4]基于深度学习的农业灯诱害虫自动识别与计数技术的研究[D]. 周爱明.浙江理工大学 2019
[5]基于图像处理的水稻叶部病害快速识别方法研究[D]. 关莹.东北农业大学 2018
[6]基于Jetson TX1的人脸识别算法的研究与实现[D]. 毛礼建.杭州电子科技大学 2018
[7]基于机器学习的水稻病害识别算法的研究[D]. 刘成.安徽大学 2018
[8]基于深度学习的图像分类和人脸识别算法研究[D]. 郑弘晖.北京邮电大学 2018
[9]基于机器视觉的中华稻蝗早期蝗蝻的识别和检测研究[D]. 杨国国.浙江大学 2017
[10]基于图像识别的储粮害虫检测[D]. 王德发.北京邮电大学 2017
本文编号：3343417
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3343417.html
