基于卷积神经网络的农作物病虫害图像分类研究

发布时间：2021-11-27 10:05

　　农作物病虫害情况是农业生产活动中面临的主要挑战之一,因其种类繁多且复杂,在诸多特定环境下非常容易爆发从而导致农产品产量下降甚至绝收。而随着社会的不断进步发展,世界总人口的不断增长,农业用地不断缩减;如何确保农作物的产能与市场需求的良性满足就成为了一个日益严峻的课题;而病虫害问题就是这个课题中的关键环节。本文提出一种基于卷积神经网络的农作物病虫害图像分类方法,以全球AI挑战赛提供的迄今为止国内农业领域中实景拍摄植物叶片病害规模最大的数据集（共61类,47637张图片）进行深入研究。本文主要研究工作如下:（1）针对农作物病虫害分类任务,使用基于VGG-16的农作物病虫害分类模型把病虫害分为61类。实验表明,该模型能够对农作物病虫害进行有效辨识,总体识别准确率为76.8%,具有良好的应用前景。（2）详细分析了传统图像分类任务与农作物病虫害分类的异同点,本文使用的病虫害数据集有10个物种,27种病害,10个健康分类,而传统图像分类任务只能把病虫害分为61类,因此专门针对病虫害数据集设计多分支结构。Multi-branches CNN模型使用多分支结构专门针对病虫害数据进行分类,每个种类的农作物... 

【文章来源】：江西农业大学江西省

【文章页数】：48 页

【学位级别】：硕士

【部分图文】：

标准卷积网络结构示意图

图 2-2 AlexNet 架构Fig 2-2 AlexNet ArchitectureVGG-Net 是继 AlexNet 之后许多层 ConvNet 架构中的第一个也是最简单的一个结构。再后来 Google 提出了一个更深层的架构，通常称为 GoogLeNet，共 22 层[33]。由于使用了所谓的初始模块作为构建块，因此 GoogLeNet 比 VGG-Net 更深，所需参数要少得多。在初始模块中，各种尺度的卷积运算和空间池并行发生。模块还增加了1×1 卷积，其用于降低维数以避免滤波器冗余，同时保持网络的大小可控。这种跨渠道汇集的想法是由一项名为 NiN[34]的研究结果推动的，该研究揭示了学习网络中存在大量冗余。典型的 inception 模块，展示了顺序和并行执行的操作的 GoogLeNe架构如图 2-3 所示：

图 2-2 AlexNet 架构Fig 2-2 AlexNet ArchitectureVGG-Net 是继 AlexNet 之后许多层 ConvNet 架构中的第一个也是最简单的一个结构。再后来 Google 提出了一个更深层的架构，通常称为 GoogLeNet，共 22 层[33]。由于使用了所谓的初始模块作为构建块，因此 GoogLeNet 比 VGG-Net 更深，所需参数要少得多。在初始模块中，各种尺度的卷积运算和空间池并行发生。模块还增加了1×1 卷积，其用于降低维数以避免滤波器冗余，同时保持网络的大小可控。这种跨渠道汇集的想法是由一项名为 NiN[34]的研究结果推动的，该研究揭示了学习网络中存在大量冗余。典型的 inception 模块，展示了顺序和并行执行的操作的 GoogLeNet架构如图 2-3 所示：

【参考文献】：
期刊论文
[1]面向人脸表情识别的迁移卷积神经网络研究[J]. 翟懿奎,刘健.  信号处理. 2018(06)
[2]论气候变化对中国农作物病虫害发生的影响[J]. 王燕方.  农民致富之友. 2017(18)
[3]基于深度卷积特征的细粒度图像分类研究综述[J]. 罗建豪,吴建鑫.  自动化学报. 2017(08)
[4]农作物病虫害图像识别技术的研究综述[J]. 汪京京,张武,刘连忠,黄帅.  计算机工程与科学. 2014(07)
[5]基于图像识别的小麦腥黑穗病害特征提取与分类[J]. 邓继忠,李敏,袁之报,金济,黄华盛.  农业工程学报. 2012(03)
[6]概率神经网络在玉米叶部病害识别中的应用[J]. 陈丽,王兰英.  农机化研究. 2011(06)

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]基于卷积神经网络的医学图像癌变识别研究[D]. 薛迪秀.中国科学技术大学 2017
[3]基于图谱特征分析的农业虫害检测方法研究[D]. 刘子毅.浙江大学 2017

硕士论文
[1]基于卷积神经网络的细粒度角膜炎图像分类研究[D]. 甘天圣.浙江大学 2018



本文编号：3522059