花生智能管理信息系统的研究与实现
发布时间：2022-01-05 17:42
花生是山东省重要的油料作物和经济作物,其种植主要集中在鲁中南、鲁西北和丘陵地区,种植方式较为落后,种植管理存在诸多问题。有些地区花生仍靠手工种植,缺少先进的种植的技术和有效的管理措施,不仅造成了人力物力的浪费,而且影响了花生的提质增效。花生病害的发生是严重影响花生的产量和质量主要因素之一,病害的及早发现和有效防治是农民迫切需要解决的问题。针对上述问题,将信息技术和人工智能技术应用于花生种植管理和病害识别,可以有效地辅助农民及早发现、识别和防治花生叶部病害,及时了解花生长势状况、病害状况等信息,提高管理效率。因此,本文研究并实现了花生智能管理信息系统。本文研究主要内容包括:（1）花生叶部病害图像数据集的构建。主要包含花生叶部病害图像数据获取与预处理两部分。在泰安市孙家疃村等花生种植地对花生叶部病害图像进行了人工采集,并编写代码对其进行了切割,翻转和径向模糊等预处理,最后根据花生叶部病害的种类及特点进行人工分类。（2）花生叶部病害图像识别模型的研究与实现。深度学习是人工智能的研究热点之一,在图像识别和语音识别中取得了较好的效果。本文采用卷积神经网络（Convolutional Neural...
【文章来源】：山东农业大学山东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
ELU函数Fig.7ELUfunction
采集与预处理采集东省泰安市孙家疃村花生种植地进行花生病害叶片的实地考察摘花生病害叶片需要进行拍摄，获得花生叶部病害图像。使用如行花生病害叶片图像的拍摄。图示装置传送带为白色背景，在该一背景的图像，减少背景的干扰。在传送带末端上方使用支架光源和数码相机，LED 环形光源的使用可以减少拍摄阴影，减行拍摄时，将花生病害叶片依次排放在白色背景的传送带上，相光源中间小孔拍摄传送带上的花生病害叶片。相机设置为自动拍为 2 秒。设定传送带速度为 15mm/s，每隔 30mm 向传送带放置一实现定时拍摄。所拍摄图像格式为 JPEG 格式，包含五类常见花
炭疽病 3892 400网斑病 2905 400总数 17685 2000（2）分类模型评价本文采用 ROC 曲线对训练好的识别模型进行进一步评价。针对多分类情况，获取ROC 曲线的方法如下：在训练完成后，计算出每个测试样本的在各类的概率或置信度，用矩阵的行表示每个测试样本各类别的概率，列表示测试样本，得到矩阵 P，同时将所有测试样本使用类似于二进制形式来标记，实验一共分为五类，分别标记为 1、2、3、4、5，对应类别转换标记（如类别 1 转换为 1 0 0 0 0，类别 2 转换为 0 1 0 0），将对应矩阵 P 得到标签矩阵 L。对一个测试样本，在矩阵 L 中，1 的位置表明了它的类别，0 就表示其他类别，如果识别结果正确，矩阵 P 中对应位置的概率应远大于其他位置，基于此，将矩阵 L 和矩阵 P 按行展开，转置之后变为两列，这就得到了一个二分类结果，由此可以得到最终的 ROC 曲线。所画 ROC 曲线如图 22 所示。
【参考文献】：
期刊论文
[1]增强型深度确定策略梯度算法[J]. 陈建平,何超,刘全,吴宏杰,胡伏原,傅启明. 通信学报. 2018(11)
[2]基于卷积神经网络和多信息融合的三维乳腺超声分类方法[J]. 孔小函,檀韬,包凌云,王广志. 中国生物医学工程学报. 2018(04)
[3]基于深度学习的木材缺陷图像检测方法[J]. 程玉柱,顾权,王众辉,李赵春. 林业机械与木工设备. 2018(08)
[4]精准农业种植系统的设计与实现[J]. 熊大平,邓文佶. 电子技术与软件工程. 2018(10)
[5]基于Android平台的水稻病害智能诊断关键技术研究[J]. 刘小红. 安徽农业科学. 2018(10)
[6]国内外花生机械化收获发展概况分析[J]. 张冲,胡志超,邱添,吴努,王伯凯,游兆延. 江苏农业科学. 2018(05)
[7]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)
[8]基于物联网和深度卷积神经网络的冬枣病害识别方法[J]. 张善文,黄文准,尤著宏. 浙江农业学报. 2017(11)
[9]基于卷积神经网络的监控场景下车辆颜色识别[J]. 张强,李嘉锋,卓力. 测控技术. 2017(10)
[10]卷积神经网络在人脸识别上的研究[J]. 聂超. 哈尔滨商业大学学报(自然科学版). 2017(05)
博士论文
[1]基于机器学习的作物病害图像处理及病变识别方法研究[D]. 谭文学.北京工业大学 2016
硕士论文
[1]基于实例和参数迁移的农作物病害图像识别研究[D]. 房思思.中国科学技术大学 2018
[2]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
[3]基于深度学习的在线波达方向估计方法研究[D]. 李庆龙.内蒙古大学 2018
[4]基于深度特征学习和多级SVM的玉米生长期识别研究[D]. 张芸德.华中师范大学 2018
[5]基于深度学习的图像去雾方法研究[D]. 贾绪仲.湖南工业大学 2018
[6]自然场景下的人脸检测及表情识别算法研究[D]. 提浩.北京交通大学 2018
[7]静态图像中感兴趣区域检测方法研究[D]. 王萌.天津工业大学 2018
[8]基于无线传感器网络的智能家居系统设计[D]. 郝竹银.安徽理工大学 2017
[9]基于深度学习的小儿白内障裂隙图像诊断研究及治疗效果预测[D]. 安莹莹.西安电子科技大学 2017
[10]无线胶囊内窥镜图像检索及视频摘要方法研究与系统实现[D]. 詹昌飞.北京工业大学 2017
本文编号：3570790
【文章来源】：山东农业大学山东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
ELU函数Fig.7ELUfunction
采集与预处理采集东省泰安市孙家疃村花生种植地进行花生病害叶片的实地考察摘花生病害叶片需要进行拍摄，获得花生叶部病害图像。使用如行花生病害叶片图像的拍摄。图示装置传送带为白色背景，在该一背景的图像，减少背景的干扰。在传送带末端上方使用支架光源和数码相机，LED 环形光源的使用可以减少拍摄阴影，减行拍摄时，将花生病害叶片依次排放在白色背景的传送带上，相光源中间小孔拍摄传送带上的花生病害叶片。相机设置为自动拍为 2 秒。设定传送带速度为 15mm/s，每隔 30mm 向传送带放置一实现定时拍摄。所拍摄图像格式为 JPEG 格式，包含五类常见花
炭疽病 3892 400网斑病 2905 400总数 17685 2000（2）分类模型评价本文采用 ROC 曲线对训练好的识别模型进行进一步评价。针对多分类情况，获取ROC 曲线的方法如下：在训练完成后，计算出每个测试样本的在各类的概率或置信度，用矩阵的行表示每个测试样本各类别的概率，列表示测试样本，得到矩阵 P，同时将所有测试样本使用类似于二进制形式来标记，实验一共分为五类，分别标记为 1、2、3、4、5，对应类别转换标记（如类别 1 转换为 1 0 0 0 0，类别 2 转换为 0 1 0 0），将对应矩阵 P 得到标签矩阵 L。对一个测试样本，在矩阵 L 中，1 的位置表明了它的类别，0 就表示其他类别，如果识别结果正确，矩阵 P 中对应位置的概率应远大于其他位置，基于此，将矩阵 L 和矩阵 P 按行展开，转置之后变为两列，这就得到了一个二分类结果，由此可以得到最终的 ROC 曲线。所画 ROC 曲线如图 22 所示。
【参考文献】：
期刊论文
[1]增强型深度确定策略梯度算法[J]. 陈建平,何超,刘全,吴宏杰,胡伏原,傅启明. 通信学报. 2018(11)
[2]基于卷积神经网络和多信息融合的三维乳腺超声分类方法[J]. 孔小函,檀韬,包凌云,王广志. 中国生物医学工程学报. 2018(04)
[3]基于深度学习的木材缺陷图像检测方法[J]. 程玉柱,顾权,王众辉,李赵春. 林业机械与木工设备. 2018(08)
[4]精准农业种植系统的设计与实现[J]. 熊大平,邓文佶. 电子技术与软件工程. 2018(10)
[5]基于Android平台的水稻病害智能诊断关键技术研究[J]. 刘小红. 安徽农业科学. 2018(10)
[6]国内外花生机械化收获发展概况分析[J]. 张冲,胡志超,邱添,吴努,王伯凯,游兆延. 江苏农业科学. 2018(05)
[7]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)
[8]基于物联网和深度卷积神经网络的冬枣病害识别方法[J]. 张善文,黄文准,尤著宏. 浙江农业学报. 2017(11)
[9]基于卷积神经网络的监控场景下车辆颜色识别[J]. 张强,李嘉锋,卓力. 测控技术. 2017(10)
[10]卷积神经网络在人脸识别上的研究[J]. 聂超. 哈尔滨商业大学学报(自然科学版). 2017(05)
博士论文
[1]基于机器学习的作物病害图像处理及病变识别方法研究[D]. 谭文学.北京工业大学 2016
硕士论文
[1]基于实例和参数迁移的农作物病害图像识别研究[D]. 房思思.中国科学技术大学 2018
[2]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
[3]基于深度学习的在线波达方向估计方法研究[D]. 李庆龙.内蒙古大学 2018
[4]基于深度特征学习和多级SVM的玉米生长期识别研究[D]. 张芸德.华中师范大学 2018
[5]基于深度学习的图像去雾方法研究[D]. 贾绪仲.湖南工业大学 2018
[6]自然场景下的人脸检测及表情识别算法研究[D]. 提浩.北京交通大学 2018
[7]静态图像中感兴趣区域检测方法研究[D]. 王萌.天津工业大学 2018
[8]基于无线传感器网络的智能家居系统设计[D]. 郝竹银.安徽理工大学 2017
[9]基于深度学习的小儿白内障裂隙图像诊断研究及治疗效果预测[D]. 安莹莹.西安电子科技大学 2017
[10]无线胶囊内窥镜图像检索及视频摘要方法研究与系统实现[D]. 詹昌飞.北京工业大学 2017
本文编号：3570790
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3570790.html
