基于集成学习的小麦赤霉病高光谱图像识别方法研究

发布时间：2024-04-21 01:37

　　近年来,小麦赤霉病多地区、大规模的爆发,严重影响小麦的产量。目前已有研究表明,高光谱检测技术能够对小麦赤霉病及其其他病害进行检测,并获得了良好的结果。然而由于高光谱图像具有数据量大、维度高等特点,所以本文选用深度学习方法,通过构建深度神经网络模型对小麦赤霉病进行识别。为进一步提高深度神经网络对小麦赤霉病识别的准确率,本文研究分析了深度模型网络结构和多模型的集成学习方法,构建出了多种组合模型,并且评估分析了多种集成模型对小麦赤霉病识别的准确率和自身模型的泛化能力,从而寻找到最优的识别小麦赤霉病的集成模型。根据研究目标确定的主要研究内容如下:1.研究了识别小麦赤霉病的深度神经网络模型。构建四个不同结构的深度神经网络模型,并对这四个模型进行结构分析。基于野外小麦赤霉病高光谱图像数据,对这四个模型进行训练和测试,并通过训练结果和测试结果对模型的整体性能进行分析评估。四个深度神经模型分别为卷积类神经网络模型VGG₁和VGG₂,循环类神经网络模型LSTM和GRU。2.研究了多模型的集成学习方法和最优的模型组合方式。通过Stacking算法对四个深度神经网...

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图２－１野外高光谱采集系统俯视的模拟图??Ｆｉｇｕｒｅ?２－１?Ｆｉｅｌｄ?Ｈｙｐｅｒｓｐｅｃｔｒａｌ?Ａｃｑｕｉｓｉｔｉｏｎ?Ｓｙｓｔｅｍ?Ｏｖｅｒｌｏｏｋｉｎｇ?Ｓｉｍｕｌａｔｉｏｎ??１０??

可以保证髙光谱系统野外工作３？５小时的野外移动电源。??本文实验于２０１８年５月３号和５月８号前往郭河实验田进行，因为高光谱图片??在采集过程中会受到环境的影响，如天气情况、风俗、温度等，所以在进行本次实验??前特地查阅了天气预报，确保拍摄当天是晴朗的天气。本次的两天实验一共选取....

图２－２小麦萵光谱图像及其感兴趣｜Ｘ：域??Ｆｉｇｕｒｅ?２－?２?Ｗｈｅａｔ?１?ｌｙｐｅｒｓｐｅｃｔｒａｌ?Ｉｍａｇｅ?ａｎｄ?Ｒｅｇｉｏｎ?ｏｆ?Ｉｎｔｅｒｅｓｔ??Ｘ

３号时，病害爆发不是很??严重，所以部分区域的病害并不明显，而在３号至８号期间一直持续降雨，导致病情??迅速扩散，以至于部分区域的小麦均已感染，所以８号又重新选取了４个区域，结合??小麦的病情情况最终优选了其中的六个区域作为本文的数据集。??Ｓｉｍｐｌｅｌ?Ｓｉｍｐｌｅ４?Ｓｉｍ....

图２－３不同类别的数据量??Ｆｉｇｕｒｅ?２－?３?Ａｍｏｕｎｔ?ｏｆ?Ｄａｔａ?ｉｎ?ＤｉｆＴｅｒｅｎｔ?Ｃａｔｅｇｏｒｉｅｓ??

传播算法是在１９８６年由Ｒｕｍｅｌｈａｒｔ和Ｈｉｎｔｏｎ等人提出，该算法解决了单层感知器之??前所不能解决的一些问题。在反向传播算法提出之后，ＬｅＣｕｎ等人利用反向传播算法??来训练多层卷积神经网络，并对手写数字进行识别，在实验过程中多处用到了５Ｘ５??的卷积核，但当时ＬｅＣｕｎ....

图２－４训练集、验证集、测试集像素点数量??Ｆｉｇｕｒｅ?２－４?Ｔｈｅ?Ｐｉｘｅｌ?Ｎｕｍｂｅｒ?〇ｎ＞ａｉｎｉｎｇ?Ｓｅｔ，Ｖａｌｉｄａｔｉｏｎ?Ｓｅｔ，Ｔｅｓｔｉｎｇ?Ｓｅｔ??

ｓｅａｓｅ?ｋｇ?ｒｏｕｎｄ??３１％２６％??＾＾ｅａｌｔｈ??４３％??图２－３不同类别的数据量??Ｆｉｇｕｒｅ?２－?３?Ａｍｏｕｎｔ?ｏｆ?Ｄａｔａ?ｉｎ?ＤｉｆＴｅｒｅｎｔ?Ｃａｔｅｇｏｒｉｅｓ??本文将剩下的感兴趣区域像素点数据集作为测试集，并用于对模型的测试，训练?....

本文编号：3960225