基于深度学习的农作物航拍图像识别研究
发布时间：2021-06-11 02:55
传统农业正在逐渐迈入大数据时代,农业信息化、互联网农业、精准农业的理念日益得到体现与应用。对于农业数据信息的需求也随之知识化、精细化、实时化,其中,农作物的种植状况,种植品种、种植面积、生长状况等,往往是农业决策、农业信息化应用的前提。如何进行农业种植数据的采集,如何快速方便准确地识别农作物,是一个值得深入探讨的话题。为此,学者们提出从空中进行农业信息的采集方式,以便捷地获取农业大数据信息。以往从高空中进行农作物图像采集并识别多以遥感技术为主,但这种实现方式存在计算复杂、识别效率低等问题,具有一定的限制性。近年来,在深度学习技术的推动下,图像识别与分类得到了广泛的应用,但将深度学习技术运用于航拍所得的农作物遥感图像在处理上存在着其特有的难度。如高空层次特征丰富但细节信息不充分,以及背景多元化干扰等特点,如何能形成一种有效的多分类方法是非常值得探索的问题。本文重点研究了深度学习在航拍农作物图像识别中的方法,主要研究内容如下:（1）鉴于航拍农作物图像的公开数据集有限,本文综合采用网络爬取、消费级无人机实地拍摄等方式获取农作物航拍图像。并且,为了更好地利用航拍农作物图像信息和扩增图像数据量,...
【文章来源】：广东工业大学广东省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
航拍下车辆识别与农作物识别图像
图 3-1 航拍下车辆识别与农作物识别图像gure 3-1 Vehicle identification and crop identification images at high altitude距离而言，农作物图像为较高距离拍摄，与普通近距离产生的图像拍图像识别的难度较大，普通神经网络并不能满足其要求。农作物采用的图像识别数据库的区别在于，如果无人机拍摄高度和视角不摄的图像大小和形状也有所差异，对图像处理有一定的挑战。另外目标识别，通常为单一的类别，而航拍的农作物图像包含了多种类特征相互混淆。如对比图像识别中 Flowers 数据集[55]与无人机所拍像，分别如图 3-2 中（a）与（b）所示。
进行农作物识别与其他物种识别存在很大的差异，而航拍农作物识别比普通的近距离事物的识别难度更高。无人机拍摄图像覆盖面积广大，包含多种农作物，且特征复杂，从而增加农作物分类识别的困难。针对农作物航拍图像识别的高难度，所采用的网络模型需要具备较高的识别率，能够在特征不分明情况下进行农作物识别。为了更直观了解近距离事物与航拍农作物的区别，本文对二者进行卷积并输出特征图。卷积层表达式如（3.1）所示：k 1kf W f b （3.1）其中W为卷积核的权值，kf为第k个卷积层的输入元素，b表示偏差。与传统的全连神经网络相对比，卷积的参数优化变少了很多，计算量也减少了很多。通过可视化近距离 Flowers 图像与农作物航拍图像的卷积层特征输出的结果，对比第一个卷积层的特征输出如下图 3-3 所示，可明显看出，肉眼便可以识别出近距离的图像为雏菊，但难于准确辨认出航拍图像下的黄瓜。
【参考文献】：
期刊论文
[1]深度学习在遥感影像分类与识别中的研究进展综述[J]. 王斌,范冬林. 测绘通报. 2019(02)
[2]论新时期中国特色的农业外交[J]. 张帅,孙德刚. 宁夏社会科学. 2019(01)
[3]基于深度学习卷积神经网络图像识别技术的研究与应用[J]. 杨子贤. 中国设备工程. 2018(23)
[4]浅谈深度学习在图像识别领域的应用现状与优势[J]. 孟令,朱正,林世忠,晏节晋. 电工技术. 2018(16)
[5]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[6]基于Softmax回归模型的协同过滤算法研究与应用[J]. 孟佩,曹菡,师军. 计算机技术与发展. 2016(12)
[7]基于序列图像三维重建的稻种品种识别[J]. 钱燕,尹文庆,林相泽,丁永前,冯学斌. 农业工程学报. 2014(07)
[8]基于时间序列环境卫星影像的作物分类识别[J]. 李鑫川,徐新刚,王纪华,武洪峰,金秀良,李存军,鲍艳松. 农业工程学报. 2013(02)
[9]东北地区主要作物种植结构遥感提取及长势监测[J]. 黄青,唐华俊,周清波,吴文斌,王利民,张莉. 农业工程学报. 2010(09)
[10]基于图像分析的大米形状识别[J]. 张聪,管庶安. 粮食与饲料工业. 2006(06)
硕士论文
[1]基于CNN的金丝猴面部识别研究与实现[D]. 方楠.西安电子科技大学 2017
[2]基于深度学习的人脸识别算法研究[D]. 王飞.兰州交通大学 2017
[3]基于深度学习的植物图像集识别技术研究[D]. 刘孟南.华侨大学 2017
[4]基于深度学习的文物图像内容理解[D]. 何潇然.北京化工大学 2016
[5]基于卷积神经网络的多标签场景分类[D]. 陈智.山东大学 2015
本文编号：3223661
【文章来源】：广东工业大学广东省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
航拍下车辆识别与农作物识别图像
图 3-1 航拍下车辆识别与农作物识别图像gure 3-1 Vehicle identification and crop identification images at high altitude距离而言，农作物图像为较高距离拍摄，与普通近距离产生的图像拍图像识别的难度较大，普通神经网络并不能满足其要求。农作物采用的图像识别数据库的区别在于，如果无人机拍摄高度和视角不摄的图像大小和形状也有所差异，对图像处理有一定的挑战。另外目标识别，通常为单一的类别，而航拍的农作物图像包含了多种类特征相互混淆。如对比图像识别中 Flowers 数据集[55]与无人机所拍像，分别如图 3-2 中（a）与（b）所示。
进行农作物识别与其他物种识别存在很大的差异，而航拍农作物识别比普通的近距离事物的识别难度更高。无人机拍摄图像覆盖面积广大，包含多种农作物，且特征复杂，从而增加农作物分类识别的困难。针对农作物航拍图像识别的高难度，所采用的网络模型需要具备较高的识别率，能够在特征不分明情况下进行农作物识别。为了更直观了解近距离事物与航拍农作物的区别，本文对二者进行卷积并输出特征图。卷积层表达式如（3.1）所示：k 1kf W f b （3.1）其中W为卷积核的权值，kf为第k个卷积层的输入元素，b表示偏差。与传统的全连神经网络相对比，卷积的参数优化变少了很多，计算量也减少了很多。通过可视化近距离 Flowers 图像与农作物航拍图像的卷积层特征输出的结果，对比第一个卷积层的特征输出如下图 3-3 所示，可明显看出，肉眼便可以识别出近距离的图像为雏菊，但难于准确辨认出航拍图像下的黄瓜。
【参考文献】：
期刊论文
[1]深度学习在遥感影像分类与识别中的研究进展综述[J]. 王斌,范冬林. 测绘通报. 2019(02)
[2]论新时期中国特色的农业外交[J]. 张帅,孙德刚. 宁夏社会科学. 2019(01)
[3]基于深度学习卷积神经网络图像识别技术的研究与应用[J]. 杨子贤. 中国设备工程. 2018(23)
[4]浅谈深度学习在图像识别领域的应用现状与优势[J]. 孟令,朱正,林世忠,晏节晋. 电工技术. 2018(16)
[5]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[6]基于Softmax回归模型的协同过滤算法研究与应用[J]. 孟佩,曹菡,师军. 计算机技术与发展. 2016(12)
[7]基于序列图像三维重建的稻种品种识别[J]. 钱燕,尹文庆,林相泽,丁永前,冯学斌. 农业工程学报. 2014(07)
[8]基于时间序列环境卫星影像的作物分类识别[J]. 李鑫川,徐新刚,王纪华,武洪峰,金秀良,李存军,鲍艳松. 农业工程学报. 2013(02)
[9]东北地区主要作物种植结构遥感提取及长势监测[J]. 黄青,唐华俊,周清波,吴文斌,王利民,张莉. 农业工程学报. 2010(09)
[10]基于图像分析的大米形状识别[J]. 张聪,管庶安. 粮食与饲料工业. 2006(06)
硕士论文
[1]基于CNN的金丝猴面部识别研究与实现[D]. 方楠.西安电子科技大学 2017
[2]基于深度学习的人脸识别算法研究[D]. 王飞.兰州交通大学 2017
[3]基于深度学习的植物图像集识别技术研究[D]. 刘孟南.华侨大学 2017
[4]基于深度学习的文物图像内容理解[D]. 何潇然.北京化工大学 2016
[5]基于卷积神经网络的多标签场景分类[D]. 陈智.山东大学 2015
本文编号：3223661
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3223661.html
