基于图像识别对玉米象的研究与应用
发布时间：2021-04-09 15:21
储粮害虫问题困扰着世界上许多国家,每年都会因虫害问题损失高额的粮食[1]。中国的农作物和其加工产品在农产品出口中排第二,在中国国民经济中占据着重要地位,然而即便如此,也无法控制储粮害虫引起的安全问题。为了解决这一问题,需要检测出这些害虫并将其消灭。对于害虫的检测,除了使用声音检测方法外,其他诸如人工肉眼判断的方法不利于害虫的自动检测,而且传统的检测方法耗时长且所需费用较高,因此,一种基于图像识别处理的害虫检测方法应运而生,并将此技术应用于农业生产中。准确鉴定作物病虫害是避免损失的重要前提。图像识别方法以其高效、低成本、易操作等优点,成为近年来害虫防治工作的研究热点和主要技术手段。重点关注作物病虫害图像识别的发展前景,将病虫害图像识别与物联网,传感器等技术相结合。建立和收集农业大数据,为智慧农业提供数据基础。针对基于图像识别的储粮害虫问题,本文以常见的玉米象为研究对象,提出了一种基于图像识别的粮食害虫图像识别方法。建立玉米象数据集,使用SVM、Adaboost算法、Logistic回归算法对图片数据进行分类训练,同时,使用测试样本对训练模型进行测试,最终对比其识别精...
【文章来源】：山西农业大学山西省
【文章页数】：38 页
【学位级别】：硕士
【部分图文】：
玉米象
-14-4实验过程4.1研究对象本论文以玉米中的玉米象为例作为研究对象如图4-1。玉米象是中国储粮的头号害虫，也是世界性的重要储粮害虫[24]。玉米象属于钻蛀性害虫，其成虫以玉米、小麦及高粱为食如图4-2，幼虫存在于禾谷类种子内。主要为害贮存2—3年的陈粮，成虫啃食，幼虫蛀食谷粒[32]，是一种最主要的初期性害虫，贮粮被玉米象咬食而造成许多碎粒及粉屑，易引起后期性虫害的发生[25]。图4-1玉米象Figure4-1Cornweevil针对人工检测储粮玉米内部害虫效率低、容易漏检等问题展开研究。玉米象是储粮害虫主要害虫之一，严重时可引起多样虫子感染[26]。所以，玉米象的防治也成为许多科研人员研究的重点之一，但目前人工防治与化学防治已无法满足当前农作物的安全生产，开发图像识别技术已然成为了玉米象防治领域的焦点。图3-2被玉米象污染的粮堆（图片来源于网络）Figure3-2CornweevilContaminatedGrainPiles
-16-的特征。我们知道一幅图像包含很多的信息，由多个像素组成。若每一个像素视为一维数据，想要得到计算结果则很难，因为像素之间不仅仅关联较大而且还包含着一个含量很高的特征向量[54]。PCA技术不仅降低了数据的维度而且还去除了一定的噪声影响。第一步，将p*q图像转换成灰度图qpijf*)(，以列向量为基准将矩阵按列相连，生成向量),,,,,,,(222112111pqpffffffx和),,,(21nxxxR包含N个图像。第二步，计算矩阵R的均值x如公式（27）：（27）第三步，计算矩阵R的离散度矩阵TiniimxmxS)()(1，然后求出S的前m个最大的特征值m，，，，321得出对应的特征向量m,,,,321构成特征矩阵),,,,(321mA。第四步，将图片投影到由矩阵A的子空间中，对应空间中的一个点，即iTYxA，),,,(21myyyY其中iy是在子空间中的点。第五步，将图像样本q降维，然后通过L2距离计算q与),,,(21myyyY中列向量的相似度，最后将距离进行排序得出检索结果[55]。完成PCA算法后，接下来就是使用它进行降维处理实验，对三维立体图像进行降维处理如图4-3和图4-4。图4-3降维前图4-4降维后Figure4-3BeforedimensionreductionFigure4-4Afterdimensionreduction4.3SVM技术训练本次实验主要针对两组图片进行，首先将图片进行SVM分类处理，进行图片分类，不可避免地是提前需要将图片划分为训练集与测试集。实验中训练集是50张的有虫的图片以及50张无虫图片。相应的测试集所含内容一致。随机输入玉米图片，测试10张NiixNx11
【参考文献】：
期刊论文
[1]我国智能网联汽车测试及示范基地发展现状[J]. 邓晓峰,王润民,徐志刚,刘丁贝. 汽车工业研究. 2019(01)
[2]基于城市先进道路交通系统的智能交通仿真平台设计[J]. 赵津,张博,张庆余,赵鹏超. 汽车工业研究. 2019(01)
[3]物联网技术在智能交通领域中的应用[J]. 张普钒. 科技传播. 2019(04)
[4]基于云平台的农业综合信息应用系统的设计与开发[J]. 张学利,马娜,朱瑜馨,赵永明,汪健平,刘国. 地理空间信息. 2019(02)
[5]基于机器视觉的车道线智能识别系统的设计[J]. 刘文俊,陈世春. 智能建筑与智慧城市. 2019(02)
[6]智能交通协调控制系统设计研究[J]. 温毓铭,滕国文. 智能计算机与应用. 2019(02)
[7]信息化在农业经济管理中的应用研究[J]. 鲁娜. 农业与技术. 2019(03)
[8]信息化对农业经济增长影响的回归分析[J]. 姚长林. 农业与技术. 2019(03)
[9]现代农业与农业信息化探析[J]. 宋勇建,宋金玲. 农家参谋. 2019(03)
[10]基于物联网的农业信息化系统研究与设计[J]. 袁越辉. 农家参谋. 2019(03)
博士论文
[1]基于支持向量机的植物病害识别研究[D]. 任东.吉林大学 2007
本文编号：3127859
【文章来源】：山西农业大学山西省
【文章页数】：38 页
【学位级别】：硕士
【部分图文】：
玉米象
-14-4实验过程4.1研究对象本论文以玉米中的玉米象为例作为研究对象如图4-1。玉米象是中国储粮的头号害虫，也是世界性的重要储粮害虫[24]。玉米象属于钻蛀性害虫，其成虫以玉米、小麦及高粱为食如图4-2，幼虫存在于禾谷类种子内。主要为害贮存2—3年的陈粮，成虫啃食，幼虫蛀食谷粒[32]，是一种最主要的初期性害虫，贮粮被玉米象咬食而造成许多碎粒及粉屑，易引起后期性虫害的发生[25]。图4-1玉米象Figure4-1Cornweevil针对人工检测储粮玉米内部害虫效率低、容易漏检等问题展开研究。玉米象是储粮害虫主要害虫之一，严重时可引起多样虫子感染[26]。所以，玉米象的防治也成为许多科研人员研究的重点之一，但目前人工防治与化学防治已无法满足当前农作物的安全生产，开发图像识别技术已然成为了玉米象防治领域的焦点。图3-2被玉米象污染的粮堆（图片来源于网络）Figure3-2CornweevilContaminatedGrainPiles
-16-的特征。我们知道一幅图像包含很多的信息，由多个像素组成。若每一个像素视为一维数据，想要得到计算结果则很难，因为像素之间不仅仅关联较大而且还包含着一个含量很高的特征向量[54]。PCA技术不仅降低了数据的维度而且还去除了一定的噪声影响。第一步，将p*q图像转换成灰度图qpijf*)(，以列向量为基准将矩阵按列相连，生成向量),,,,,,,(222112111pqpffffffx和),,,(21nxxxR包含N个图像。第二步，计算矩阵R的均值x如公式（27）：（27）第三步，计算矩阵R的离散度矩阵TiniimxmxS)()(1，然后求出S的前m个最大的特征值m，，，，321得出对应的特征向量m,,,,321构成特征矩阵),,,,(321mA。第四步，将图片投影到由矩阵A的子空间中，对应空间中的一个点，即iTYxA，),,,(21myyyY其中iy是在子空间中的点。第五步，将图像样本q降维，然后通过L2距离计算q与),,,(21myyyY中列向量的相似度，最后将距离进行排序得出检索结果[55]。完成PCA算法后，接下来就是使用它进行降维处理实验，对三维立体图像进行降维处理如图4-3和图4-4。图4-3降维前图4-4降维后Figure4-3BeforedimensionreductionFigure4-4Afterdimensionreduction4.3SVM技术训练本次实验主要针对两组图片进行，首先将图片进行SVM分类处理，进行图片分类，不可避免地是提前需要将图片划分为训练集与测试集。实验中训练集是50张的有虫的图片以及50张无虫图片。相应的测试集所含内容一致。随机输入玉米图片，测试10张NiixNx11
【参考文献】：
期刊论文
[1]我国智能网联汽车测试及示范基地发展现状[J]. 邓晓峰,王润民,徐志刚,刘丁贝. 汽车工业研究. 2019(01)
[2]基于城市先进道路交通系统的智能交通仿真平台设计[J]. 赵津,张博,张庆余,赵鹏超. 汽车工业研究. 2019(01)
[3]物联网技术在智能交通领域中的应用[J]. 张普钒. 科技传播. 2019(04)
[4]基于云平台的农业综合信息应用系统的设计与开发[J]. 张学利,马娜,朱瑜馨,赵永明,汪健平,刘国. 地理空间信息. 2019(02)
[5]基于机器视觉的车道线智能识别系统的设计[J]. 刘文俊,陈世春. 智能建筑与智慧城市. 2019(02)
[6]智能交通协调控制系统设计研究[J]. 温毓铭,滕国文. 智能计算机与应用. 2019(02)
[7]信息化在农业经济管理中的应用研究[J]. 鲁娜. 农业与技术. 2019(03)
[8]信息化对农业经济增长影响的回归分析[J]. 姚长林. 农业与技术. 2019(03)
[9]现代农业与农业信息化探析[J]. 宋勇建,宋金玲. 农家参谋. 2019(03)
[10]基于物联网的农业信息化系统研究与设计[J]. 袁越辉. 农家参谋. 2019(03)
博士论文
[1]基于支持向量机的植物病害识别研究[D]. 任东.吉林大学 2007
本文编号：3127859
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3127859.html
最近更新
教材专著
