基于智能终端的马铃薯虫害识别系统研究与实现

发布时间：2020-10-13 00:08

　　 随着我国马铃薯主粮化战略的启动,马铃薯的生产与加工在满足人口数量大、保障国家粮食安全、缓解资源环境压力等方面将有着不可替代的作用。在马铃薯生长期间中,由于其处在复杂的自然背景下,不可避免会受到害虫的侵害。传统马铃薯虫害的识别工作主要由种植者通过人眼观察结合种植经验进行识别分类,这种分类方法不仅耗费人力与时间,还会受主观因素影响导致识别效果出现偏差。随着精准农业技术的发展,对马铃薯虫害快速预防和诊治的需求将越来越高,在马铃薯生长过程中能够准确并快速识别虫害种类成为了迫切需求。基于此,本文选用6种典型马铃薯虫害作为研究对象,开发了一款采用深度学习算法嵌入移动端的马铃薯虫害识别系统。本文的主要成果和创新点如下:(1)通过对卷积神经网络的研究搭建网络,选用不同结构、不同参数进行实验,确定最优卷积神经网络。对三种数据集进行实验对比,发现采用图像预处理并数据增强后的数据集训练网络可达到最佳识别效果,训练识别率达到92%。(2)通过对迁移学习的研究,采用轻量级深度卷积网络MobileNet实现分类模型。该网络区别于常规卷积采用深度可卷积技术,可有效地减少卷积核的冗余表达、减少移动端设备运行时的计算量和降低模型占比,对虫害测试样本识别率为96%,权重文件大小为16MB。(3)通过对Android平台的研究,将经过数据集训练后的权重文件嵌入移动端以方便调用,设计并实现了基于移动端的马铃薯虫害智能识别系统。采用多线程编程技术使系统加快运行速度以快速识别,此外,系统交互界面提供实时拍摄检测和相册选取检测两个功能。在软件实际应用中,每类虫害识别率均在89%以上,识别时间为0.3秒。最终实验结果表明,本文设计的基于移动端的智能识别系统在识别马铃薯虫害种类方面效果良好,该系统识别准确率高、识别速度快、可操作性强,满足设计要求。
【学位单位】：内蒙古工业大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S435.32;TP18;TP391.41
【部分图文】：

Fig.2-1 The flowchart of image preprocessing如上图所示，首先在图像预处理过程中采用中值滤波算法进行图像滤波，二维 Otsu 算法进行图像分割，最后利用形态学处理方法将分割图像进行后理，达到有效分割出目标对象的效果。.2 采集并整理数据集本文数据集是通过固定摄像头在自然条件背景下进行马铃薯典型虫害采型虫害共计 650 张图，分 6 种类型，分别为：大甲虫、瓢虫、蚜虫、地老铃薯茎块蛾和蝼蛄，样本数量为：170、120、100、60、110、90。a).大甲虫 b).瓢虫 c).蚜虫a).Big beetle b).Ladybug c).Aphis

大的顺序排列的像素灰度值。中值滤波设定像素窗口时，常选用奇数像素数作为运算输入，以便于简化，常用窗口形状有如：线形、十字形、菱形、正方形等，本文使用正方形窗行像素点处理。此外窗口尺寸的不同对于滤波效果也存在着影响，中值滤波尺寸分别有 3×3,、5×5、7×7、9×9 等，不同尺寸分别适用于不同质量的图像本文数据集而言，尺寸过大、滤波效果越好、图像边缘信息越模糊，尺寸过小波效果越差、图像边缘信息越明显。经本文数据集进行不同尺寸中值滤波效对比，选择 3×3 尺寸，该尺寸在保证滤波效果的同时，还极大程度上保留了的边缘信息。中值滤波效果如图 2-3 所示。a).大甲虫 b).瓢虫 c).蚜虫a).Big beetle b).Ladybug c).Aphis

2111202B0 0iijjiijjtr S wu u u u wu u u u(2-佳阈值： s , t argmaxtrSi,j(2-在算法研究中发现分布在二维直方图主对角线周围的主要为前景部分与部分的像素点，远离主对角线分布的主要为边界和噪声的像素点。因此，确佳阈值后将前景区域设定为 1,1 表示白色，将背景区域表示为 0,0 为黑色，得到二维分割图像，如图 2-4 所示。a).大甲虫 b).瓢虫 c).蚜虫a).Big beetle b).Ladybug c).Aphis
【参考文献】

相关期刊论文 前10条

1 鲁恒;付萧;贺一楠;李龙国;庄文化;刘铁刚;;基于迁移学习的无人机影像耕地信息提取方法[J];农业机械学报;2015年12期

2 薛丽娜;吴晟;;基于Android平台的马铃薯虫害指认诊断系统[J];安徽农业科学;2015年28期

3 戴建国;赖军臣;;基于图像规则与Android手机的棉花病虫害诊断系统[J];农业机械学报;2015年01期

4 王文静;;机器视觉技术在现代农业中的应用[J];现代农业科技;2014年08期

5 温芝元;曹乐平;;椪柑果实病虫害的傅里叶频谱重分形图像识别[J];农业工程学报;2013年23期

6 温芝元;曹乐平;;基于为害状色相多重分形的椪柑病虫害图像识别[J];农业机械学报;2014年03期

7 温芝元;曹乐平;;基于补偿模糊神经网络的脐橙不同病虫害图像识别[J];农业工程学报;2012年11期

8 谢从华;;马铃薯产业的现状与发展[J];华中农业大学学报(社会科学版);2012年01期

9 张建华;冀荣华;袁雪;李慧;祁力钧;;基于径向基支持向量机的棉花虫害识别[J];农业机械学报;2011年08期

10 权龙哲;祝荣欣;雷溥;韩豹;;基于K-L变换与LS-SVM的玉米品种识别方法[J];农业机械学报;2010年04期

相关博士学位论文 前3条

1 曾伟辉;面向农作物叶片病害鲁棒性识别的深度卷积神经网络研究[D];中国科学技术大学;2018年

2 韩瑞珍;基于机器视觉的农田害虫快速检测与识别研究[D];浙江大学;2014年

3 胡秋霞;基于图像分析的植物叶部病害识别方法研究[D];西北农林科技大学;2013年

相关硕士学位论文 前1条

1 姜慧;基于Android的水稻害虫图像采集与识别系统研究[D];浙江理工大学;2013年

本文编号：2838475