基于深度学习的玉米果穗分类识别
发布时间：2021-01-13 12:07
随着现代信息技术的飞速发展,计算机视觉面向不同领域都取得了可观的成效。图像识别作为计算机视觉技术体系中的关键环节,其特点是需要依赖更多数据的开放、更多基础工具的开源和算法的更新迭代。当中利用图像识别与计算机模拟技术来模拟人类对观测到的农作物图像进行分类和判断,已成为智慧农业应用中不可或缺的重要步骤。以玉米为代表的农作物果穗图像识别可以实现作物精准培育、自动化考种等智能操作,大程度的降低人力成本并提高分类识别准确率。其中深度学习作为机器学习领域内的一门新型学科,其基于卷积神经网络的图像应用,在图像识别领域取得了显著效果。因此,本文将深度学习应用结合到玉米果穗图像识别中,分别对玉米籽粒及穗轴图像进行分类识别。具体研究内容如下:1.对当前深度学习发展现状及问题进行介绍。通过Web of knowledge统计近8年关于玉米品种识别的相关文献数据,分析国内外针对玉米品种识别的研究情况。2.设置图像采集装置以构建数据集。通过在室内坏境对玉米果穗进行人工考种,获得籽粒和穗轴样本。为了满足批量处理和后期实验操作,本实验运用北京农业信息技术研究中心开发的玉米籽粒表型检测系统对采集的图像进行图像预处理,...
【文章来源】：江西农业大学江西省
【文章页数】：52 页
【学位级别】：硕士
【图文】：
文献统计
图 1-2 传统机器学习流程图Fig1-2 Traditional machine learning flow chart(一) 图像特征提取。虽然不同玉米籽粒的形状、颜色等特征表达形式不同，但在检测中对特征选择、数据处理的方式是相似的，模式识别、图像处理和数据拟合都是分析工具，重点是要对含大量数据的图像进行有效特征提取。其中，张文静等[5]通过胚部的形态特征鉴定玉米品种，利用二值图像连通区域分析与标记算法以及图像对象轮廓提取算法，用 K 均值（K-means）对提取的玉米胚部形态特征参数进行分析，实验结果显示 4 种玉米品种识别率可达 94％以上。王慧慧等[6]基于压力传感器和计算机视觉技术，构建了以颜色特征为主要成分的 PNN 神经网络，实现了鲜玉米果穗成熟度分类，分类准确率高达 96.67%。程洪等[7]基于梯度图像的玉米种胚褶皱识别，利用褶皱梯度值分析褶皱纹理的深浅，为玉米籽粒的特征参数选取提供了新的对策，该方法与人工观测值的平均吻合率达 82.7％。在特征选取方面，形态特征运用的比较多，因为其提取较易，在遗传过程中，玉米籽粒胚形相对稳定，且不同品种的玉米籽粒胚部特征差异较大，根据玉米籽粒胚部形态特征识别判别玉米品种成为当下较为流行的方式。当前围绕像素点的颜色特征大多采用颜色直方图进行图像特征提取，颜色对图像或图像区域特征参数敏感性易受环境影响，因此加大对特征参量优化算法尤其重要。
基于深度学习的玉米果穗分类识别目前，卷积神经网络的发展正在进入蓬勃发展阶段，其局部权值共像处理方面有独特优势，其布局更接近于实际的生物神经网络，并网络的复杂性，有效避免了特征提取和分类期间数据重建的复杂度经元模型介绍网络的基本构成单元称为神经元也叫感知机。神经元作为人工智能生物神经元细胞启发而来，1943 年，由心理学家 Warren McCullor Pitts 提出最早的神经元模型 M-P（McCulloch-Pitts），模型结构如入输出。
【参考文献】：
期刊论文
[1]基于深度卷积特征的玉米生长期识别[J]. 张芸德,刘蓉,刘明,龚永丽. 电子测量技术. 2018(16)
[2]基于卷积网络的遥感图像建筑物提取技术研究[J]. 付发,未建英,张丽娜. 软件工程. 2018(06)
[3]双通道Faster R-CNN在RGB-D手部检测中的应用[J]. 刘壮,柴秀娟,陈熙霖. 计算机科学. 2018(05)
[4]基于深度学习的遥感影像基础设施目标检测研究[J]. 王港,陈金勇,高峰,吴金亮. 无线电工程. 2018(03)
[5]一种针对于行人及车辆图片的自动彩色化模型[J]. 曾勇,李楠,卢贤票. 汽车实用技术. 2018(03)
[6]卷积神经网络在车辆识别中的应用[J]. 彭清,季桂树,谢林江,张少波. 计算机科学与探索. 2018(02)
[7]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[8]基于机器学习的图像特征提取技术在图像版权保护中的应用[J]. 胡刚,荆磊,朱磊. 科技创新与应用. 2016(31)
[9]曲折中前进的人工智能[J]. 孙秋霞. 中国科技奖励. 2016(09)
[10]玉米籽粒完整性识别的深度学习方法[J]. 魏英姿,谭龙田,欧阳海飞,赵祉淇. 沈阳理工大学学报. 2016(04)
本文编号：2974847
【文章来源】：江西农业大学江西省
【文章页数】：52 页
【学位级别】：硕士
【图文】：
文献统计
图 1-2 传统机器学习流程图Fig1-2 Traditional machine learning flow chart(一) 图像特征提取。虽然不同玉米籽粒的形状、颜色等特征表达形式不同，但在检测中对特征选择、数据处理的方式是相似的，模式识别、图像处理和数据拟合都是分析工具，重点是要对含大量数据的图像进行有效特征提取。其中，张文静等[5]通过胚部的形态特征鉴定玉米品种，利用二值图像连通区域分析与标记算法以及图像对象轮廓提取算法，用 K 均值（K-means）对提取的玉米胚部形态特征参数进行分析，实验结果显示 4 种玉米品种识别率可达 94％以上。王慧慧等[6]基于压力传感器和计算机视觉技术，构建了以颜色特征为主要成分的 PNN 神经网络，实现了鲜玉米果穗成熟度分类，分类准确率高达 96.67%。程洪等[7]基于梯度图像的玉米种胚褶皱识别，利用褶皱梯度值分析褶皱纹理的深浅，为玉米籽粒的特征参数选取提供了新的对策，该方法与人工观测值的平均吻合率达 82.7％。在特征选取方面，形态特征运用的比较多，因为其提取较易，在遗传过程中，玉米籽粒胚形相对稳定，且不同品种的玉米籽粒胚部特征差异较大，根据玉米籽粒胚部形态特征识别判别玉米品种成为当下较为流行的方式。当前围绕像素点的颜色特征大多采用颜色直方图进行图像特征提取，颜色对图像或图像区域特征参数敏感性易受环境影响，因此加大对特征参量优化算法尤其重要。
基于深度学习的玉米果穗分类识别目前，卷积神经网络的发展正在进入蓬勃发展阶段，其局部权值共像处理方面有独特优势，其布局更接近于实际的生物神经网络，并网络的复杂性，有效避免了特征提取和分类期间数据重建的复杂度经元模型介绍网络的基本构成单元称为神经元也叫感知机。神经元作为人工智能生物神经元细胞启发而来，1943 年，由心理学家 Warren McCullor Pitts 提出最早的神经元模型 M-P（McCulloch-Pitts），模型结构如入输出。
【参考文献】：
期刊论文
[1]基于深度卷积特征的玉米生长期识别[J]. 张芸德,刘蓉,刘明,龚永丽. 电子测量技术. 2018(16)
[2]基于卷积网络的遥感图像建筑物提取技术研究[J]. 付发,未建英,张丽娜. 软件工程. 2018(06)
[3]双通道Faster R-CNN在RGB-D手部检测中的应用[J]. 刘壮,柴秀娟,陈熙霖. 计算机科学. 2018(05)
[4]基于深度学习的遥感影像基础设施目标检测研究[J]. 王港,陈金勇,高峰,吴金亮. 无线电工程. 2018(03)
[5]一种针对于行人及车辆图片的自动彩色化模型[J]. 曾勇,李楠,卢贤票. 汽车实用技术. 2018(03)
[6]卷积神经网络在车辆识别中的应用[J]. 彭清,季桂树,谢林江,张少波. 计算机科学与探索. 2018(02)
[7]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[8]基于机器学习的图像特征提取技术在图像版权保护中的应用[J]. 胡刚,荆磊,朱磊. 科技创新与应用. 2016(31)
[9]曲折中前进的人工智能[J]. 孙秋霞. 中国科技奖励. 2016(09)
[10]玉米籽粒完整性识别的深度学习方法[J]. 魏英姿,谭龙田,欧阳海飞,赵祉淇. 沈阳理工大学学报. 2016(04)
本文编号：2974847
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2974847.html
