基于深度学习法的黄瓜霜霉病图像识别的方法及软件开发
发布时间：2020-12-23 00:52
图像识别的技术属于一种模式识别技术,是人工智能的一个重要的领域。它是指对图像进行识别,是用来识别各种不同模式的对象和目标的一种技术,它可以通过现代的信息处理技术和计算机的技术,去模拟人的视觉认知和理解的一系列过程。它的主要内容是对图像的特征进行提取,根据的是图像处理,并以此为基础对图像进行识别和分类。本文是在这种背景下提出的,本试验以黄瓜霜霉病为主要研究对象,探究基于深度学习神经网络的黄瓜霜霉病图像识别的方法:1.试验通过把接菌后的黄瓜叶片,调节各种不同环境条件如不同品种、不同温湿度、不同叶龄、叶片湿润与否等来观察叶片上病斑的变化,找出各种不同条件下霜霉病图像样本之间的差异,为软件识别提供不同的图像样本,试验结果表明:抗性不同和叶龄的差异对霜霉病病斑图像的影响比较大,易感品种和壮龄叶片染病后病情最严重且叶背面霉层稠密,病斑呈现多角形的状态,病斑面积大且集中;在不同温湿度的试验中发现25℃95%湿度的条件下,叶片存活时间最长,病斑变化最连续。在叶片湿润与否对叶片病斑变化的实验中发现,表面湿润的叶片相比于表面不湿润的叶片病斑发病速率略快,但整体差异不大。2.把试验收集的大量健康叶片和被霜霉...
【文章来源】：沈阳农业大学辽宁省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
黄瓜霜霉病叶片的拍摄样本
2.2 生产温室样本采集2.2.1 实验地点试验地点选在新民市霜霉病严重发病的农户家温室内。2.2.2 试验器材与材料取像设备：佳能 60D 摄像机(有需要时会用到摄像机支架)、智能手机等。2.2.3 试验方法本实验采用佳能 60d 摄像机、智能手机等设备，由于不能摘下叶片，所以尽可能地找光线足的地方，全方位多角度的拍摄染病叶片，以自然光为主，物体应距离窗口和白墙 1 米以上，最佳拍照时间为上午 7~9 点，保证拍摄时被拍摄物体表面无其他阴影（树木、人物等）投射。为了便于病害样本建设，及满足未来实际生产条件下病害诊断，温室内建议在单一背景和复杂背景下同时拍摄病害样本，单一背景采用白色打印纸为背景复杂背景采用土壤、地面、其他拍摄物体。拍摄如图 2-2 所示。
（a）修图前 (b) 修图后图 2-3 图像的预处理Fig. 2-3 Image preprocessing每个试验里的每组叶片都会收集出大量的图片，整个试验大概 8000 张左以图片数据量巨大，需要每个试验都做好记录，做好图像备份，在移动硬另拷贝一份，以免丢失一张导致影响整体病斑连续性的查看而损失严重。斑占叶片的面积叶片面积上病斑的面积即相对病斑面积（Relativelesionarea,RLA）。它是度的一个客观指标。它不但有利于检测病害，而且还具体的反应了病原菌侵染程度和病斑的扩展程度。关于 RLA 的测量，之前有很多学者使用过以归纳为传统法、仪器法和软件法三类。也有学者尝试用 Photoshop 对叶行直接测定，无需进行另外的繁琐地处理，并且整个过程只需要几次区域单操作即可，步骤十分简单并且精确度较高（崔华威，2009）。本文也采行的计算。
【参考文献】：
期刊论文
[1]基于卷积神经网络的马铃薯叶片病害识别系统[J]. 赵建敏,李艳,李琦,芦建文. 江苏农业科学. 2018(24)
[2]基于深度学习的推荐算法研究综述[J]. 王俊淑,张国明,胡斌. 南京师范大学学报(工程技术版). 2018(04)
[3]基于深度学习的水稻叶部病害识别方法研究[J]. 路阳,郭丹,沈贺,李欣,韩正君. 信息记录材料. 2018(12)
[4]基于深度学习的植物病虫害图像识别[J]. 安强强,张峰,李赵兴,张雅琼. 农业工程. 2018(07)
[5]卷积神经网络在黄瓜叶部病害识别中的应用[J]. 张善文,谢泽奇,张晴晴. 江苏农业学报. 2018(01)
[6]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[7]一种基于Photoshop的叶片相对病斑面积快速测定方法[J]. 崔华威,杨艳丽,黎敬涛,罗文富,苗爱敏,胡振兴,韩小女. 安徽农业科学. 2009(22)
博士论文
[1]基于机器学习的作物病害图像处理及病变识别方法研究[D]. 谭文学.北京工业大学 2016
硕士论文
[1]基于领域词典与机器学习的中文评论情感分析[D]. 杨鹏.南京邮电大学 2018
[2]深度学习在社交网络文本分类中的应用研究[D]. 方金朋.大连交通大学 2018
[3]基于深度学习的葡萄叶片病害识别方法研究[D]. 刘媛.甘肃农业大学 2018
[4]基于机器学习的水稻病害识别算法的研究[D]. 刘成.安徽大学 2018
[5]基于深度学习的农作物病害识别[D]. 李凯雨.河南农业大学 2018
[6]基于卷积神经网络的小麦叶部病害图像识别研究[D]. 林中琦.山东农业大学 2018
[7]双流网络架构下的行为识别隐含层模型研究[D]. 刘松泉.合肥工业大学 2018
[8]基于卷积神经网络的大豆病害识别研究[D]. 徐冬.安徽大学 2018
[9]基于深度卷积网络的农业病虫害图像分类识别应用[D]. 顾文璇.武汉轻工大学 2017
[10]基于卷积神经网络的烟草病害自动识别研究[D]. 李敬.山东农业大学 2016
本文编号：2932756
【文章来源】：沈阳农业大学辽宁省
【文章页数】：53 页
【学位级别】：硕士
【部分图文】：
黄瓜霜霉病叶片的拍摄样本
2.2 生产温室样本采集2.2.1 实验地点试验地点选在新民市霜霉病严重发病的农户家温室内。2.2.2 试验器材与材料取像设备：佳能 60D 摄像机(有需要时会用到摄像机支架)、智能手机等。2.2.3 试验方法本实验采用佳能 60d 摄像机、智能手机等设备，由于不能摘下叶片，所以尽可能地找光线足的地方，全方位多角度的拍摄染病叶片，以自然光为主，物体应距离窗口和白墙 1 米以上，最佳拍照时间为上午 7~9 点，保证拍摄时被拍摄物体表面无其他阴影（树木、人物等）投射。为了便于病害样本建设，及满足未来实际生产条件下病害诊断，温室内建议在单一背景和复杂背景下同时拍摄病害样本，单一背景采用白色打印纸为背景复杂背景采用土壤、地面、其他拍摄物体。拍摄如图 2-2 所示。
（a）修图前 (b) 修图后图 2-3 图像的预处理Fig. 2-3 Image preprocessing每个试验里的每组叶片都会收集出大量的图片，整个试验大概 8000 张左以图片数据量巨大，需要每个试验都做好记录，做好图像备份，在移动硬另拷贝一份，以免丢失一张导致影响整体病斑连续性的查看而损失严重。斑占叶片的面积叶片面积上病斑的面积即相对病斑面积（Relativelesionarea,RLA）。它是度的一个客观指标。它不但有利于检测病害，而且还具体的反应了病原菌侵染程度和病斑的扩展程度。关于 RLA 的测量，之前有很多学者使用过以归纳为传统法、仪器法和软件法三类。也有学者尝试用 Photoshop 对叶行直接测定，无需进行另外的繁琐地处理，并且整个过程只需要几次区域单操作即可，步骤十分简单并且精确度较高（崔华威，2009）。本文也采行的计算。
【参考文献】：
期刊论文
[1]基于卷积神经网络的马铃薯叶片病害识别系统[J]. 赵建敏,李艳,李琦,芦建文. 江苏农业科学. 2018(24)
[2]基于深度学习的推荐算法研究综述[J]. 王俊淑,张国明,胡斌. 南京师范大学学报(工程技术版). 2018(04)
[3]基于深度学习的水稻叶部病害识别方法研究[J]. 路阳,郭丹,沈贺,李欣,韩正君. 信息记录材料. 2018(12)
[4]基于深度学习的植物病虫害图像识别[J]. 安强强,张峰,李赵兴,张雅琼. 农业工程. 2018(07)
[5]卷积神经网络在黄瓜叶部病害识别中的应用[J]. 张善文,谢泽奇,张晴晴. 江苏农业学报. 2018(01)
[6]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
[7]一种基于Photoshop的叶片相对病斑面积快速测定方法[J]. 崔华威,杨艳丽,黎敬涛,罗文富,苗爱敏,胡振兴,韩小女. 安徽农业科学. 2009(22)
博士论文
[1]基于机器学习的作物病害图像处理及病变识别方法研究[D]. 谭文学.北京工业大学 2016
硕士论文
[1]基于领域词典与机器学习的中文评论情感分析[D]. 杨鹏.南京邮电大学 2018
[2]深度学习在社交网络文本分类中的应用研究[D]. 方金朋.大连交通大学 2018
[3]基于深度学习的葡萄叶片病害识别方法研究[D]. 刘媛.甘肃农业大学 2018
[4]基于机器学习的水稻病害识别算法的研究[D]. 刘成.安徽大学 2018
[5]基于深度学习的农作物病害识别[D]. 李凯雨.河南农业大学 2018
[6]基于卷积神经网络的小麦叶部病害图像识别研究[D]. 林中琦.山东农业大学 2018
[7]双流网络架构下的行为识别隐含层模型研究[D]. 刘松泉.合肥工业大学 2018
[8]基于卷积神经网络的大豆病害识别研究[D]. 徐冬.安徽大学 2018
[9]基于深度卷积网络的农业病虫害图像分类识别应用[D]. 顾文璇.武汉轻工大学 2017
[10]基于卷积神经网络的烟草病害自动识别研究[D]. 李敬.山东农业大学 2016
本文编号：2932756
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2932756.html
