基于视觉的农作物病虫害自主识别系统研究
发布时间：2021-01-21 17:40
为了更好的识别农作物病虫害的图像信息,以玉米斑病为例,利用无人机载机器视觉系统对玉米斑病进行露天采集作业,根据采集到的图像,选用各向异性去噪增强和最大熵分割的方法和卷积神经网络的方法进行实验对比。对各向异性去噪增强和最大熵分割的方法,将裁剪后的病斑图像进行直方图均衡化灰度增强预处理,分析影响病斑目标分割的因素,之后进一步采用各向异性扩散去噪方法,对玉米病斑图像进行去噪增强。采用最大熵分割的方法实现了对玉米病斑图像的特征分割,并通过形态学分析,对病斑图像进行准确提取。对卷积神经网络,采用自制训练集的卷积神经网络的方法进行实验,以Alex Net为基础,设计合适的卷积神经网络。在正向数据流传播时引入dropout层解决梯度弥散问题,在反向损失函数传播时引入Adam优化器来优化损失函数。通过对比,分析各自的优缺点以及改进方法。通过分析两种方法的过程与结果不难发现,深度学习在进行农作物病虫害识别时,可以跳过复杂的特征提取的步骤,但是在数据集的收集上有了更高的要求,而且因为其隐式识别的特点,其特征无法准确的展示出来;用图像分割处理的方法可以直接对要识别的图像进行处理分析,清晰的展示其识别过程,但...
【文章来源】：华北理工大学河北省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
线性可分问题（左一至左三）和线性不可分问题（右一）
第2章图像识别理论基础-13-图2反向传播算法示意图Fig.2Backpropagationalgorithmdiagram所以反向传播算法的根本思想就是正向传播求损失，反向回传误差，同时对神经网络中每个神经元进行根据误差信号的修正，使得预测值可以接近真实值。以图像为例，假设正向传播的数据集为()()(,)|1,...,iiSxyim（4）式中：x—图像矩阵；y—图像的标签值。当数据流正向传播时，得到的输出值为W和b的线性函数加上激活函数f()即：(l)(l)(l1)zWab（5）()()()llafz（6）则在整个神经网络中，每层的损失函数可以用如下表示：()()(2)(1)(1)(2)()()11(,)((()))mlrrriEWbfWfWfWxbbbym（7）设整个神经网络的神经元数为N，则整个神经网络的损失函数为：()()()()11(,)(,)LNLjLjEWbEWbN（8）设该神经网络的L层为输出层，那么输出层的误差可以表示为：
华北理工大学硕士学位论文-14-()()()(,)()LLaLEWbz（9）根据反向传播的定义，对神经网络的各层从后向前进行计算，那么：()(1)(1)()(())()llTllWz（10）此时，引入梯度下降的方法，得到可以使损失值最小的权值W和偏置值b。设为梯度下降中的学习率，(0,1]：()()()(,)llijijlijWWEWbW（11）()()()(,)lliilibbEWbb（12）图3梯度下降算法示意图Fig.3Schematicdiagramofgradientdescentalgorithm值得注意的是，在使用随机梯度下降算法的时候，引入Adam作为学习率的更新法则，可以使梯度变得稀疏的同时，保证更快速更准确[50]。这种自适应的学习率可以用来解决设置不当产生的陷入鞍点和不能收敛等问题，是初学者常用的优化算法。其更新规则的公式表示为：t1tttvm（13）ttttmgm11111)1(（14）
【参考文献】：
期刊论文
[1]基于时间序列分解与支持向量回归的短期电力能耗预测研究[J]. 左志宏,赵云鹏,刘竹,肖鹏. 信息系统工程. 2019(08)
[2]大数据支撑下的交通需求管理体系研究[J]. 熊杰,陈彪,李向楠,陈艳艳,郝世洋. 城市交通. 2019(03)
[3]基于深度学习的人工智能医疗应用与存在的问题[J]. 王海洲,王冠. 沈阳大学学报(自然科学版). 2019(02)
[4]深度学习在农作物病虫害识别中应用初探[J]. 孙奥,吴冬燕,吴阳江,许燕萍. 电子测试. 2019(06)
[5]我国植保无人机现状及发展建议[J]. 刘春鸽,赵丽伟. 农业工程技术. 2018(12)
[6]一种基于机器视觉特征的农作物病变图像感知方法[J]. 周杰,潘宏侠,唐明军. 农业与技术. 2017(18)
[7]机器视觉技术在植保无人机中的应用[J]. 邱帅,周思宇,冯俊青. 科技风. 2017(13)
[8]基于改进直方图均衡化和SSR算法的灰度图像增强研究α←[J]. 胡倍倍,吕浩杰. 量子电子学报. 2017(03)
[9]深度学习及其在图像物体分类与检测中的应用综述[J]. 刘栋,李素,曹志冬. 计算机科学. 2016(12)
[10]植保无人机在勐腊县橡胶树病虫害预警监测与防治上的应用[J]. 李飞,何立平,郑明辉,王伟锋. 福建农业. 2015(08)
博士论文
[1]面向农作物叶片病害鲁棒性识别的深度卷积神经网络研究[D]. 曾伟辉.中国科学技术大学 2018
硕士论文
[1]基于卷积神经网络的鲸鱼叫声分类研究[D]. 张冠华.哈尔滨工程大学 2019
[2]基于深度学习的双模态情感识别[D]. 袁亮.南京邮电大学 2018
[3]基于卷积神经网络的玉米冠层图像分割与生育期鉴定方法[D]. 和兴华.江西农业大学 2018
[4]基于卷积神经网络的病虫害检测算法及移动客户端的研究与实现[D]. 杜冉.安徽大学 2018
[5]基于卷积神经网络的可见光图像农作物病虫害的检测[D]. 卫智熠.哈尔滨工业大学 2017
[6]基于深度卷积网络的农业病虫害图像分类识别应用[D]. 顾文璇.武汉轻工大学 2017
[7]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶.重庆大学 2017
[8]基于机器视觉的甘肃大麦病害分类识别研究[D]. 杨倩.甘肃农业大学 2013
本文编号：2991608
【文章来源】：华北理工大学河北省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
线性可分问题（左一至左三）和线性不可分问题（右一）
第2章图像识别理论基础-13-图2反向传播算法示意图Fig.2Backpropagationalgorithmdiagram所以反向传播算法的根本思想就是正向传播求损失，反向回传误差，同时对神经网络中每个神经元进行根据误差信号的修正，使得预测值可以接近真实值。以图像为例，假设正向传播的数据集为()()(,)|1,...,iiSxyim（4）式中：x—图像矩阵；y—图像的标签值。当数据流正向传播时，得到的输出值为W和b的线性函数加上激活函数f()即：(l)(l)(l1)zWab（5）()()()llafz（6）则在整个神经网络中，每层的损失函数可以用如下表示：()()(2)(1)(1)(2)()()11(,)((()))mlrrriEWbfWfWfWxbbbym（7）设整个神经网络的神经元数为N，则整个神经网络的损失函数为：()()()()11(,)(,)LNLjLjEWbEWbN（8）设该神经网络的L层为输出层，那么输出层的误差可以表示为：
华北理工大学硕士学位论文-14-()()()(,)()LLaLEWbz（9）根据反向传播的定义，对神经网络的各层从后向前进行计算，那么：()(1)(1)()(())()llTllWz（10）此时，引入梯度下降的方法，得到可以使损失值最小的权值W和偏置值b。设为梯度下降中的学习率，(0,1]：()()()(,)llijijlijWWEWbW（11）()()()(,)lliilibbEWbb（12）图3梯度下降算法示意图Fig.3Schematicdiagramofgradientdescentalgorithm值得注意的是，在使用随机梯度下降算法的时候，引入Adam作为学习率的更新法则，可以使梯度变得稀疏的同时，保证更快速更准确[50]。这种自适应的学习率可以用来解决设置不当产生的陷入鞍点和不能收敛等问题，是初学者常用的优化算法。其更新规则的公式表示为：t1tttvm（13）ttttmgm11111)1(（14）
【参考文献】：
期刊论文
[1]基于时间序列分解与支持向量回归的短期电力能耗预测研究[J]. 左志宏,赵云鹏,刘竹,肖鹏. 信息系统工程. 2019(08)
[2]大数据支撑下的交通需求管理体系研究[J]. 熊杰,陈彪,李向楠,陈艳艳,郝世洋. 城市交通. 2019(03)
[3]基于深度学习的人工智能医疗应用与存在的问题[J]. 王海洲,王冠. 沈阳大学学报(自然科学版). 2019(02)
[4]深度学习在农作物病虫害识别中应用初探[J]. 孙奥,吴冬燕,吴阳江,许燕萍. 电子测试. 2019(06)
[5]我国植保无人机现状及发展建议[J]. 刘春鸽,赵丽伟. 农业工程技术. 2018(12)
[6]一种基于机器视觉特征的农作物病变图像感知方法[J]. 周杰,潘宏侠,唐明军. 农业与技术. 2017(18)
[7]机器视觉技术在植保无人机中的应用[J]. 邱帅,周思宇,冯俊青. 科技风. 2017(13)
[8]基于改进直方图均衡化和SSR算法的灰度图像增强研究α←[J]. 胡倍倍,吕浩杰. 量子电子学报. 2017(03)
[9]深度学习及其在图像物体分类与检测中的应用综述[J]. 刘栋,李素,曹志冬. 计算机科学. 2016(12)
[10]植保无人机在勐腊县橡胶树病虫害预警监测与防治上的应用[J]. 李飞,何立平,郑明辉,王伟锋. 福建农业. 2015(08)
博士论文
[1]面向农作物叶片病害鲁棒性识别的深度卷积神经网络研究[D]. 曾伟辉.中国科学技术大学 2018
硕士论文
[1]基于卷积神经网络的鲸鱼叫声分类研究[D]. 张冠华.哈尔滨工程大学 2019
[2]基于深度学习的双模态情感识别[D]. 袁亮.南京邮电大学 2018
[3]基于卷积神经网络的玉米冠层图像分割与生育期鉴定方法[D]. 和兴华.江西农业大学 2018
[4]基于卷积神经网络的病虫害检测算法及移动客户端的研究与实现[D]. 杜冉.安徽大学 2018
[5]基于卷积神经网络的可见光图像农作物病虫害的检测[D]. 卫智熠.哈尔滨工业大学 2017
[6]基于深度卷积网络的农业病虫害图像分类识别应用[D]. 顾文璇.武汉轻工大学 2017
[7]基于机器视觉与黄板诱导的有翅昆虫统计识别系统的研究与实现[D]. 周瑶.重庆大学 2017
[8]基于机器视觉的甘肃大麦病害分类识别研究[D]. 杨倩.甘肃农业大学 2013
本文编号：2991608
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/2991608.html
最近更新
教材专著
