基于深度学习的葡萄叶片病害动态监测
发布时间：2021-04-20 09:12
近年来,中国葡萄酒酿酒产业稳步发展,葡萄种植产业规模逐渐增大,在葡萄生长过程中,病害成为制约其高产、优质、高效益的重要因素之一。酿酒葡萄大规模、高密度和集群化种植模式给传染性病害的防治带来极大挑战。传统的对农作物病害检测和识别,大都是通过有经验的专家在田间现场进行识别和分析,这种人工蹲守的方式周期长,浪费时间和人力,且效率低。采用基于深度学习的病害快速准确识别,对于病害的有效防治具有十分重要的意义。本文对自然条件下葡萄叶片病害动态监测进行研究,为了提高自然成像条件下的酿酒葡萄图像中病害识别的可靠性,对时序叶片图像作连续病害检测并检测病斑变化情况。本文的方法可以排除一些虚假病害,病害监测的可靠性有所提高,可适用于自然条件下葡萄叶片病害的连续在线监测。在时序叶片图像检测跟踪方面,利用Faster R-CNN算法对每天摄像机视场中葡萄叶片进行检测,检测到的叶片采用改进卡尔曼滤波法进行跟踪,以获得叶片正面图像。为了实现多叶片跟踪和解决由遮挡而造成的跟踪失败问题,本文在卡尔曼滤波和匈牙利算法基础上,提出来一种新跟踪方法,该方法结合运动测度和深度外观信息对跟踪目标进行匹配,运动匹配时采用马氏距离,...
【文章来源】：甘肃农业大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Summary
第一章 绪论
1.1 论文研究背景与意义
1.2 国内外研究现状
1.2.1 目标检测研究现状
1.2.2 目标跟踪研究现状
1.2.3 显著性检测研究现状
1.2.4 植物病害识别研究现状
1.3 本文研究的主要内容与结构安排
第二章 叶片检测与跟踪
2.1 卷积神经网络
2.2 Faster R-CNN目标检测算法
2.3 试验数据集采集
2.4 叶片检测
2.5 叶片跟踪
2.5.1 状态估计
2.5.2 轨迹处理
2.5.3 跟踪过程的匹配
2.5.4 引入级联匹配
2.5.5 外观特征提取
2.6 试验与结果分析
2.7 本章小结
第三章 叶片病害显著性检测与病害识别
3.1 显著检测模型
3.2 网络结构
3.3 非局部特征提取
3.4 交叉熵损失和IoU边界损失
3.5 叶片病害显著性检测结果与分析
3.5.1 试验样本采集
3.5.2 试验结果与分析
3.6 病害识别
3.7 本章小结
第四章 叶片病害的动态监测
4.0 试验数据集
4.1 数据库叶片匹配
4.2 病斑相对面积测量
4.3 实验结果与分析
4.3.1 数据库叶片匹配
4.3.2 病斑相对面积测量
4.3.3 Daniel检测法的判断结果
4.4 本章小结
第五章 总结与展望
5.1 结论
5.2 展望
致谢
参考文献
导师简介
作者简介
【参考文献】：
期刊论文
[1]基于卷积网络和哈希码的玉米田间杂草快速识别方法[J]. 姜红花,王鹏飞,张昭,毛文华,赵博,齐鹏. 农业机械学报. 2018(11)
[2]基于卷积神经网络的草莓叶部白粉病病害识别[J]. 杨晋丹,杨涛,苗腾,朱超,沈秋采,彭宇飞,梅珀彰,党雨晴. 江苏农业学报. 2018(03)
[3]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
[4]基于卷积神经网络的葡萄叶片病害检测方法[J]. 刘阗宇,冯全,杨森. 东北农业大学学报. 2018(03)
[5]自然环境下绿色柑橘视觉检测技术研究[J]. 熊俊涛,刘振,汤林越,林睿,卜榕彬,彭红星. 农业机械学报. 2018(04)
[6]基于深度学习的大棚及地膜农田无人机航拍监测方法[J]. 孙钰,韩京冶,陈志泊,史明昌,付红萍,杨猛. 农业机械学报. 2018(02)
[7]基于全卷积网络的语义显著性区域检测方法研究[J]. 郑云飞,张雄伟,曹铁勇,孙蒙. 电子学报. 2017(11)
[8]棉花苗叶片复杂背景图像的联合分割算法[J]. 李凯,冯全,张建华. 计算机辅助设计与图形学学报. 2017(10)
[9]基于WT-Otsu算法的植物病害叶片图像分割方法[J]. 张会敏,谢泽奇,张善文,张云龙. 江苏农业科学. 2017(18)
[10]葡萄与葡萄酒产业在全面建成小康社会中的地位作用及政策建议[J]. 韩永奇. 农业部管理干部学院学报. 2017(03)
博士论文
[1]基于图像分析的植物叶部病害识别方法研究[D]. 胡秋霞.西北农林科技大学 2013
硕士论文
[1]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
[2]基于机器视觉的蔬菜种子质量检测系统的设计与实现[D]. 全胜.湖南大学 2017
[3]医学图像中多目标检测与跟踪技术研究[D]. 蔡俊林.华南理工大学 2012
本文编号：3149401
【文章来源】：甘肃农业大学甘肃省
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
Summary
第一章 绪论
1.1 论文研究背景与意义
1.2 国内外研究现状
1.2.1 目标检测研究现状
1.2.2 目标跟踪研究现状
1.2.3 显著性检测研究现状
1.2.4 植物病害识别研究现状
1.3 本文研究的主要内容与结构安排
第二章 叶片检测与跟踪
2.1 卷积神经网络
2.2 Faster R-CNN目标检测算法
2.3 试验数据集采集
2.4 叶片检测
2.5 叶片跟踪
2.5.1 状态估计
2.5.2 轨迹处理
2.5.3 跟踪过程的匹配
2.5.4 引入级联匹配
2.5.5 外观特征提取
2.6 试验与结果分析
2.7 本章小结
第三章 叶片病害显著性检测与病害识别
3.1 显著检测模型
3.2 网络结构
3.3 非局部特征提取
3.4 交叉熵损失和IoU边界损失
3.5 叶片病害显著性检测结果与分析
3.5.1 试验样本采集
3.5.2 试验结果与分析
3.6 病害识别
3.7 本章小结
第四章 叶片病害的动态监测
4.0 试验数据集
4.1 数据库叶片匹配
4.2 病斑相对面积测量
4.3 实验结果与分析
4.3.1 数据库叶片匹配
4.3.2 病斑相对面积测量
4.3.3 Daniel检测法的判断结果
4.4 本章小结
第五章 总结与展望
5.1 结论
5.2 展望
致谢
参考文献
导师简介
作者简介
【参考文献】：
期刊论文
[1]基于卷积网络和哈希码的玉米田间杂草快速识别方法[J]. 姜红花,王鹏飞,张昭,毛文华,赵博,齐鹏. 农业机械学报. 2018(11)
[2]基于卷积神经网络的草莓叶部白粉病病害识别[J]. 杨晋丹,杨涛,苗腾,朱超,沈秋采,彭宇飞,梅珀彰,党雨晴. 江苏农业学报. 2018(03)
[3]基于卷积神经网络的温室黄瓜病害识别系统[J]. 马浚诚,杜克明,郑飞翔,张领先,孙忠富. 农业工程学报. 2018(12)
[4]基于卷积神经网络的葡萄叶片病害检测方法[J]. 刘阗宇,冯全,杨森. 东北农业大学学报. 2018(03)
[5]自然环境下绿色柑橘视觉检测技术研究[J]. 熊俊涛,刘振,汤林越,林睿,卜榕彬,彭红星. 农业机械学报. 2018(04)
[6]基于深度学习的大棚及地膜农田无人机航拍监测方法[J]. 孙钰,韩京冶,陈志泊,史明昌,付红萍,杨猛. 农业机械学报. 2018(02)
[7]基于全卷积网络的语义显著性区域检测方法研究[J]. 郑云飞,张雄伟,曹铁勇,孙蒙. 电子学报. 2017(11)
[8]棉花苗叶片复杂背景图像的联合分割算法[J]. 李凯,冯全,张建华. 计算机辅助设计与图形学学报. 2017(10)
[9]基于WT-Otsu算法的植物病害叶片图像分割方法[J]. 张会敏,谢泽奇,张善文,张云龙. 江苏农业科学. 2017(18)
[10]葡萄与葡萄酒产业在全面建成小康社会中的地位作用及政策建议[J]. 韩永奇. 农业部管理干部学院学报. 2017(03)
博士论文
[1]基于图像分析的植物叶部病害识别方法研究[D]. 胡秋霞.西北农林科技大学 2013
硕士论文
[1]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
[2]基于机器视觉的蔬菜种子质量检测系统的设计与实现[D]. 全胜.湖南大学 2017
[3]医学图像中多目标检测与跟踪技术研究[D]. 蔡俊林.华南理工大学 2012
本文编号：3149401
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3149401.html
