结合注意力机制的作物幼苗与杂草分类识别
发布时间：2021-05-18 01:50
作物的生产过程中伴随着杂草的生长,影响了农作物的产量、品质和经济效益。在作物的幼苗阶段,杂草与作物在形态、颜色等方面相似度高,为机器的自动识别和除草工作带来困难。在除草的准备工作中,具体的识别出作物和杂草的类别是农药喷洒方案制定的指南。本文针对该问题,提出了一种结合注意力机制的作物幼苗与杂草分类识别的方法,有效的解决了作物幼苗与杂草的识别问题,为后期的精准除草工作作参考。具体工作如下:（1）开展了作物幼苗与杂草的图像分类方法的研究通过对图像分类的一些主流算法的分析,如:KNN、SVM、BPNN、CNN等,针对本文杂草与作物幼苗数据集的特点,对数据集进行预处理,并采用这些算法对本文的12种作物或杂草数据集进行训练,将训练的结果进行对比和分析,从平均分类准确率的角度得出最适合本文数据集的方法为CNN中的ResNet-50模型,其分类准确率达到91.89%。（2）结合了注意力机制和跨层双线性池化算法对CNN模型改进针对ResNet-50模型的特点和不足,对ResNet-50模型进行相应的改进,在模型中加入弱监督下的细粒度分类算法跨层双线性池化使特征相互增强,从而使网络具备更强的表达能力。在新...
【文章来源】：安徽农业大学安徽省
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
1.1 选题背景与研究意义
1.2 杂草图像识别研究现状
1.3 研究内容
1.4 结构安排
1.5 本章小结
第二章 作物幼苗与杂草的图像分类方法研究
2.1 植物分类识别方法的介绍
2.2 传统的图像分类算法
2.2.1 K最邻近算法(KNN)
2.2.2 支持向量机(SVM)
2.2.3 BP神经网络
2.3 卷积神经网络(CNN)
2.3.1 卷积神经网络的介绍
2.3.2 AlexNet模型
2.3.3 VGGNet模型
2.3.4 ResNet模型
2.4 不同图像分类方法的实验
2.4.1 实验环境
2.4.2 评价指标
2.4.3 数据集的获取和处理
2.4.4 KNN、SVM和BP神经网络的实验
2.4.5 CNN模型的实验
2.5 实验结果的分析与比较
2.6 本章小结
第三章 结合注意力机制的作物幼苗与杂草分类识别
3.1 问题描述
3.2 跨层双线性池化原理概述
3.3 注意力机制原理概述
3.4 解决方案设计
3.5 实验结果与分析
3.6 实际效果测试
3.6.1 实验数据预处理
3.6.2 模型训练
3.6.3 实验结果与分析
3.7 本章小结
第四章 总结与展望
4.1 总结
4.2 展望
参考文献
作者简介
【参考文献】：
期刊论文
[1]基于TF-IDF和改进BP神经网络的社交平台垃圾文本过滤[J]. 王杨,王非凡,张舒宜,黄少芬,许闪闪,赵晨曦,赵传信. 计算机系统应用. 2019(03)
[2]基于BP神经网络的罐式车辆配色与评价方法研究[J]. 冯青,吴梦迪,余隋怀,杨雷. 机械设计. 2019(01)
[3]空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草[J]. 孙俊,何小飞,谭文军,武小红,沈继锋,陆虎. 农业工程学报. 2018(11)
[4]基于支持向量回归与BP神经网络对创业板指数的预测研究[J]. 李伟能,黄树花. 电子技术与软件工程. 2013(24)
[5]基于PCA-SVM的棉花出苗期杂草类型识别[J]. 李慧,祁力钧,张建华,冀荣华. 农业机械学报. 2012(09)
[6]基于Fisher变换的植物叶片图像识别监督LLE算法[J]. 阎庆,梁栋,张晶晶. 农业机械学报. 2012(09)
[7]基于支持向量机的玉米苗期田间杂草光谱识别[J]. 邓巍,张录达,何雄奎,Mueller J,曾爱军,宋坚利,刘亚佳,周继中,陈吉,王旭. 光谱学与光谱分析. 2009(07)
[8]基于多特征的田间杂草识别方法[J]. 毛文华,曹晶晶,姜红花,王一鸣,张小超. 农业工程学报. 2007(11)
[9]温室大棚中杂草识别系统的应用研究[J]. 隋美丽,刘俊峰,陈丽. 农机化研究. 2005(03)
[10]基于人工神经网络的叶脉信息提取——植物活体机器识别研究Ⅰ[J]. 傅弘,池哲儒,常杰,傅承新. 植物学通报. 2004(04)
博士论文
[1]深度学习下细粒度级别图像的视觉分析研究[D]. 魏秀参.南京大学 2018
[2]半监督聚类算法研究及植物叶片识别应用[D]. 李龙龙.西北农林科技大学 2017
硕士论文
[1]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
[2]基于深度学习的小样本图像分类研究[D]. 徐希岩.东北林业大学 2018
[3]细粒度图像分类算法研究[D]. 张阳.哈尔滨工业大学 2018
[4]基于卷积神经网络的驾驶员面部检测与跟踪研究[D]. 谢鹏.湖南大学 2017
[5]基于叶片图像的植物识别方法研究[D]. 忽胜强.河南理工大学 2016
[6]基于叶片特征的植物种类识别研究及识别系统实现[D]. 姚明胜.郑州大学 2016
[7]智能分类算法在植物分类中的应用研究[D]. 罗鹏.中南林业科技大学 2014
[8]基于图像分析的植物叶片识别算法研究[D]. 张宁.北京林业大学 2013
[9]基于遗传神经网络算法的股票预测研究[D]. 杨帆.兰州大学 2013
[10]基于注意力机制的图像显著区域提取算法分析与比较[D]. 李敏学.北京交通大学 2011
本文编号：3192876
【文章来源】：安徽农业大学安徽省
【文章页数】：74 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
第一章 绪论
1.1 选题背景与研究意义
1.2 杂草图像识别研究现状
1.3 研究内容
1.4 结构安排
1.5 本章小结
第二章 作物幼苗与杂草的图像分类方法研究
2.1 植物分类识别方法的介绍
2.2 传统的图像分类算法
2.2.1 K最邻近算法(KNN)
2.2.2 支持向量机(SVM)
2.2.3 BP神经网络
2.3 卷积神经网络(CNN)
2.3.1 卷积神经网络的介绍
2.3.2 AlexNet模型
2.3.3 VGGNet模型
2.3.4 ResNet模型
2.4 不同图像分类方法的实验
2.4.1 实验环境
2.4.2 评价指标
2.4.3 数据集的获取和处理
2.4.4 KNN、SVM和BP神经网络的实验
2.4.5 CNN模型的实验
2.5 实验结果的分析与比较
2.6 本章小结
第三章 结合注意力机制的作物幼苗与杂草分类识别
3.1 问题描述
3.2 跨层双线性池化原理概述
3.3 注意力机制原理概述
3.4 解决方案设计
3.5 实验结果与分析
3.6 实际效果测试
3.6.1 实验数据预处理
3.6.2 模型训练
3.6.3 实验结果与分析
3.7 本章小结
第四章 总结与展望
4.1 总结
4.2 展望
参考文献
作者简介
【参考文献】：
期刊论文
[1]基于TF-IDF和改进BP神经网络的社交平台垃圾文本过滤[J]. 王杨,王非凡,张舒宜,黄少芬,许闪闪,赵晨曦,赵传信. 计算机系统应用. 2019(03)
[2]基于BP神经网络的罐式车辆配色与评价方法研究[J]. 冯青,吴梦迪,余隋怀,杨雷. 机械设计. 2019(01)
[3]空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草[J]. 孙俊,何小飞,谭文军,武小红,沈继锋,陆虎. 农业工程学报. 2018(11)
[4]基于支持向量回归与BP神经网络对创业板指数的预测研究[J]. 李伟能,黄树花. 电子技术与软件工程. 2013(24)
[5]基于PCA-SVM的棉花出苗期杂草类型识别[J]. 李慧,祁力钧,张建华,冀荣华. 农业机械学报. 2012(09)
[6]基于Fisher变换的植物叶片图像识别监督LLE算法[J]. 阎庆,梁栋,张晶晶. 农业机械学报. 2012(09)
[7]基于支持向量机的玉米苗期田间杂草光谱识别[J]. 邓巍,张录达,何雄奎,Mueller J,曾爱军,宋坚利,刘亚佳,周继中,陈吉,王旭. 光谱学与光谱分析. 2009(07)
[8]基于多特征的田间杂草识别方法[J]. 毛文华,曹晶晶,姜红花,王一鸣,张小超. 农业工程学报. 2007(11)
[9]温室大棚中杂草识别系统的应用研究[J]. 隋美丽,刘俊峰,陈丽. 农机化研究. 2005(03)
[10]基于人工神经网络的叶脉信息提取——植物活体机器识别研究Ⅰ[J]. 傅弘,池哲儒,常杰,傅承新. 植物学通报. 2004(04)
博士论文
[1]深度学习下细粒度级别图像的视觉分析研究[D]. 魏秀参.南京大学 2018
[2]半监督聚类算法研究及植物叶片识别应用[D]. 李龙龙.西北农林科技大学 2017
硕士论文
[1]基于注意力机制的图像分类深度学习方法研究[D]. 王培森.中国科学技术大学 2018
[2]基于深度学习的小样本图像分类研究[D]. 徐希岩.东北林业大学 2018
[3]细粒度图像分类算法研究[D]. 张阳.哈尔滨工业大学 2018
[4]基于卷积神经网络的驾驶员面部检测与跟踪研究[D]. 谢鹏.湖南大学 2017
[5]基于叶片图像的植物识别方法研究[D]. 忽胜强.河南理工大学 2016
[6]基于叶片特征的植物种类识别研究及识别系统实现[D]. 姚明胜.郑州大学 2016
[7]智能分类算法在植物分类中的应用研究[D]. 罗鹏.中南林业科技大学 2014
[8]基于图像分析的植物叶片识别算法研究[D]. 张宁.北京林业大学 2013
[9]基于遗传神经网络算法的股票预测研究[D]. 杨帆.兰州大学 2013
[10]基于注意力机制的图像显著区域提取算法分析与比较[D]. 李敏学.北京交通大学 2011
本文编号：3192876
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3192876.html
最近更新
教材专著
