基于深度学习的银杏枯叶病发病程度识别研究
发布时间：2021-01-26 20:15
银杏叶片具有很高的经济价值、药用价值和观赏价值,银杏叶片病虫害可导致银杏的死亡,从而带来经济损失。对晚期的患病银杏叶片已无法采取措施,因此患病银杏叶片的早期及时、准确识别与预测对于降低银杏叶片发病率和死亡率具有重要意义。目前很多学者将深度学习运用于农作物种类和植物病虫害种类识别中,而对同一类植物患病等级的研究还比较少,尤其是在银杏叶片发病程度的自动识别上的研究比较少。因此本文的创新点为对银杏叶片患病程度进行了识别研究;并且第一次将CNNLSTM模型应用于银杏叶片患病程度的识别中,CNN-LSTM模型可以对具有时间关系的序列图像进行识别。本文研究基于深度学习的银杏叶片发病程度识别方面的应用,使用卷积神经网络和循环神经网络进行了训练。主要研究工作如下:（1）研究了基于CNN的两种方法来进行单一背景和复杂背景下的银杏叶片患病程度识别。第一种方法研究了基于VGGNet-16模型的银杏叶片患病程度识别,单一背景下的银杏叶片患病程度识别率达到98.44%,复杂背景下的银杏叶片患病程度识别率达到92.19%,最终选出最佳模型。第二种方法研究了基于Inception V3网络模型微调的银杏叶片患病程度...
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
生物神经元的结构
基于深度学习的银杏枯叶病发病程度识别研究8图2.2神经网络结构图Figure2.2Structureofneuralnetwork神经网络模型是在1943年最早由神经学家WarrenMcCulloch和数学家WalterPitts（McCullochandPitts,1943）提出，他们构建了M-P模型，用以模拟人体中神经元的结构。M-P模型对传入的数据进行加权求和并使用非线性函数来激活输出。然而M-P模型的权值需要手动设置权值，所以只能事先给定权值，而不能够自动确定权值。1958年美国学者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手动设置权值的缺陷。感知器在结构和形式上与M-P模型类似，它采取监督学习的方式，能够自动确定权值。感知器通过设定训练样本，输出值和期望输出来计算误差，从而用误差值来调整实际权值。感知器是一个可以自动做决策的机器，它可以实现二分类的功能。感知器模型包括输入、输出、权重、前馈运算、激活函数等部分，其结构图如图2.3：图2.3感知器模型结构图Figure2.3Structurediagramofperceptronmodel由图2.3可得知，一个感知器可接收多个输入。以本图中给出的三个输入为例，其中X1、X2、X3表示输入；W1、W2、W3分别表示三个输入上的权值，它是相应输
基于深度学习的银杏枯叶病发病程度识别研究8图2.2神经网络结构图Figure2.2Structureofneuralnetwork神经网络模型是在1943年最早由神经学家WarrenMcCulloch和数学家WalterPitts（McCullochandPitts,1943）提出，他们构建了M-P模型，用以模拟人体中神经元的结构。M-P模型对传入的数据进行加权求和并使用非线性函数来激活输出。然而M-P模型的权值需要手动设置权值，所以只能事先给定权值，而不能够自动确定权值。1958年美国学者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手动设置权值的缺陷。感知器在结构和形式上与M-P模型类似，它采取监督学习的方式，能够自动确定权值。感知器通过设定训练样本，输出值和期望输出来计算误差，从而用误差值来调整实际权值。感知器是一个可以自动做决策的机器，它可以实现二分类的功能。感知器模型包括输入、输出、权重、前馈运算、激活函数等部分，其结构图如图2.3：图2.3感知器模型结构图Figure2.3Structurediagramofperceptronmodel由图2.3可得知，一个感知器可接收多个输入。以本图中给出的三个输入为例，其中X1、X2、X3表示输入；W1、W2、W3分别表示三个输入上的权值，它是相应输
【参考文献】：
期刊论文
[1]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君. 华东理工大学学报(自然科学版). 2018(06)
[2]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露. 农业机械学报. 2018(S1)
[3]基于深度学习的植物病虫害图像识别[J]. 安强强,张峰,李赵兴,张雅琼. 农业工程. 2018(07)
[4]基于卷积神经网络的银杏叶片患病程度识别[J]. 刘瑾蓉,林剑辉,李婷婷. 中国农业科技导报. 2018(06)
[5]基于残差网络迁移学习的花卉识别系统[J]. 关胤. 计算机工程与应用. 2019(01)
[6]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)
[7]基于深度学习的植物图像识别方法研究[J]. 袁银,王东斌,刘永金. 现代农业科技. 2017(23)
[8]基于卷积神经网络的水稻虫害识别[J]. 梁万杰,曹宏鑫. 江苏农业科学. 2017(20)
[9]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙. 农业工程学报. 2017(19)
[10]基于Android的水稻病害图像识别系统设计与应用[J]. 郑姣,刘立波. 计算机工程与科学. 2015(07)
博士论文
[1]面向图像分类和识别的视觉特征表达与学习的研究[D]. 杨钊.华南理工大学 2014
硕士论文
[1]基于深度学习的葡萄叶片病害识别方法研究[D]. 刘媛.甘肃农业大学 2018
[2]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
[3]基于Android的黄瓜病虫害检测系统[D]. 郭彦麟.宁夏大学 2017
[4]基于深度学习的植物叶片识别算法研究[D]. 张帅.北京林业大学 2016
本文编号：3001749
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
生物神经元的结构
基于深度学习的银杏枯叶病发病程度识别研究8图2.2神经网络结构图Figure2.2Structureofneuralnetwork神经网络模型是在1943年最早由神经学家WarrenMcCulloch和数学家WalterPitts（McCullochandPitts,1943）提出，他们构建了M-P模型，用以模拟人体中神经元的结构。M-P模型对传入的数据进行加权求和并使用非线性函数来激活输出。然而M-P模型的权值需要手动设置权值，所以只能事先给定权值，而不能够自动确定权值。1958年美国学者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手动设置权值的缺陷。感知器在结构和形式上与M-P模型类似，它采取监督学习的方式，能够自动确定权值。感知器通过设定训练样本，输出值和期望输出来计算误差，从而用误差值来调整实际权值。感知器是一个可以自动做决策的机器，它可以实现二分类的功能。感知器模型包括输入、输出、权重、前馈运算、激活函数等部分，其结构图如图2.3：图2.3感知器模型结构图Figure2.3Structurediagramofperceptronmodel由图2.3可得知，一个感知器可接收多个输入。以本图中给出的三个输入为例，其中X1、X2、X3表示输入；W1、W2、W3分别表示三个输入上的权值，它是相应输
基于深度学习的银杏枯叶病发病程度识别研究8图2.2神经网络结构图Figure2.2Structureofneuralnetwork神经网络模型是在1943年最早由神经学家WarrenMcCulloch和数学家WalterPitts（McCullochandPitts,1943）提出，他们构建了M-P模型，用以模拟人体中神经元的结构。M-P模型对传入的数据进行加权求和并使用非线性函数来激活输出。然而M-P模型的权值需要手动设置权值，所以只能事先给定权值，而不能够自动确定权值。1958年美国学者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手动设置权值的缺陷。感知器在结构和形式上与M-P模型类似，它采取监督学习的方式，能够自动确定权值。感知器通过设定训练样本，输出值和期望输出来计算误差，从而用误差值来调整实际权值。感知器是一个可以自动做决策的机器，它可以实现二分类的功能。感知器模型包括输入、输出、权重、前馈运算、激活函数等部分，其结构图如图2.3：图2.3感知器模型结构图Figure2.3Structurediagramofperceptronmodel由图2.3可得知，一个感知器可接收多个输入。以本图中给出的三个输入为例，其中X1、X2、X3表示输入；W1、W2、W3分别表示三个输入上的权值，它是相应输
【参考文献】：
期刊论文
[1]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君. 华东理工大学学报(自然科学版). 2018(06)
[2]基于迁移学习的卷积神经网络植物叶片图像识别方法[J]. 郑一力,张露. 农业机械学报. 2018(S1)
[3]基于深度学习的植物病虫害图像识别[J]. 安强强,张峰,李赵兴,张雅琼. 农业工程. 2018(07)
[4]基于卷积神经网络的银杏叶片患病程度识别[J]. 刘瑾蓉,林剑辉,李婷婷. 中国农业科技导报. 2018(06)
[5]基于残差网络迁移学习的花卉识别系统[J]. 关胤. 计算机工程与应用. 2019(01)
[6]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)
[7]基于深度学习的植物图像识别方法研究[J]. 袁银,王东斌,刘永金. 现代农业科技. 2017(23)
[8]基于卷积神经网络的水稻虫害识别[J]. 梁万杰,曹宏鑫. 江苏农业科学. 2017(20)
[9]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙. 农业工程学报. 2017(19)
[10]基于Android的水稻病害图像识别系统设计与应用[J]. 郑姣,刘立波. 计算机工程与科学. 2015(07)
博士论文
[1]面向图像分类和识别的视觉特征表达与学习的研究[D]. 杨钊.华南理工大学 2014
硕士论文
[1]基于深度学习的葡萄叶片病害识别方法研究[D]. 刘媛.甘肃农业大学 2018
[2]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
[3]基于Android的黄瓜病虫害检测系统[D]. 郭彦麟.宁夏大学 2017
[4]基于深度学习的植物叶片识别算法研究[D]. 张帅.北京林业大学 2016
本文编号：3001749
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3001749.html
最近更新
教材专著
