基于神经网络的实蝇成虫图像识别算法
发布时间：2023-03-18 14:22
机器视觉技术是一项涉及人工智能?自动控制?神经生物学及图形图像学等众多学科的综合技术?随着计算机软硬件与图像处理技术的发展,机器视觉技术在理论和实践上都取得了重大突破,并扩展到了农业工程领域。目前,发达国家在农业生产自动化方面己经使用机器视觉技术来实现对作业对象的识别和管理。我国在机器视觉技术与农业工程领域相结合的应用研究起步较晚,同时我国农业生产环境具有复杂多变性以及非结构化特性,使得机器视觉在农业生产中的应用还不够成熟。尽管如此,在借鉴国外技术的基础上,国内的学者也已经展开大量研究,将其应用在虫害检疫、果蔬采摘、农田灌溉等广泛领域,并取得了一定成果,可以预见,将计算机学科的前沿技术融合到农业工程领域,是促进我国农业机械自动化、智能化发展的全新方向。本文以我国南方实蝇类的优势种——桔小实蝇、南瓜实蝇、瓜实蝇三类果实蝇成虫作为研究对象,借助计算机视觉技术对目标图像进行处理分析,目的是为了能够从图像中快速、准确地识别双翅目果实蝇害虫,并通过构建图像识别模型来实现流程自动化,为果实蝇检疫和大范围作物群的实时监控等虫害防治工作提供帮助。快速、准确地从图像中识别害虫,是搭建基于机器视觉技术的害...
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 前言
1.1 课题的研究背景与意义
1.2 课题的研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文的主要研究内容
1.3.1 特征区域的选取
1.3.2 特征区域的自动锁定
1.3.3 识别模型的批量处理
1.4 本章小结
2 果实蝇的特征分析
2.1 生物形态特征与数学形态特征
2.2 样本库制备
2.2.1 实蝇样本库制备
2.2.2 生物形态特征分析
2.3 果实蝇的数学形态特征分析
2.3.1 果实蝇特征的选取
2.3.2 果实蝇特征的数学定义
2.4 果实蝇图像的特征提取方法
2.4.1 高斯滤波
2.4.2 自适应边缘检测
2.4.3 特征区域分割
2.4.4 特征区域分割的试验结果与分析
2.4.5 数学形态特征提取
2.5 本章小结
3 特征工程
3.1 特征工程规划
3.1.1 数据预处理
3.1.2 特征选择
3.1.3 特征降维
3.2 数据预处理方法
3.3 果实蝇数学形态特征值提取及预处理
3.4 特征选取方法
3.4.1 分布型检验方法
3.4.2 方差齐性检验方法
3.4.3 显著性差异检验方法
3.5 果实蝇数学形态特征选取
3.5.1 总体分布假设检验
3.5.2 方差齐性检验
3.5.3 显著性差异检验
3.5.4 试验结论分析
3.6 本章小结
4 分类算法设计
4.1 BP神经网络算法技术概要
4.1.1 工作信号的正向传递
4.1.2 误差信号的反向传递
4.1.3 神经网络初始化
4.2 神经网络算法的纵向对比
4.2.1 SVM算法技术概要
4.2.2 横向对比总结
4.3 神经网络算法的横向对比
4.3.1 BP神经网络算法的局限性
4.3.2 CNN神经网络算法技术概要
4.3.3 纵向对比总结
4.4 本章小结
5 图像识别模型的构建流程
5.1 功能模块设计
5.1.1 需求概述
5.1.2 软件结构
5.2 分类试验结果与分析
5.2.1 特征区域分割试验结果与分析
5.2.2 特征因子数值分析
5.2.3 神经网络分类试验结果与分析
5.3 本章小结
6 图像识别模型的性能评估
6.1 性能评估指标
6.1.1 基本定义
6.1.2 实例
6.2 性能评估可视化方法
6.2.1 混淆矩阵
6.2.2 P-R空间
6.3 性能评估试验分析
6.3.1 交叉验证法
6.3.2 试验结果分析
6.4 本章小结
7 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
附录
本文编号：3763298
【文章页数】：69 页
【学位级别】：硕士
【文章目录】：
摘要
abstract
1 前言
1.1 课题的研究背景与意义
1.2 课题的研究现状
1.2.1 国外研究现状
1.2.2 国内研究现状
1.3 本文的主要研究内容
1.3.1 特征区域的选取
1.3.2 特征区域的自动锁定
1.3.3 识别模型的批量处理
1.4 本章小结
2 果实蝇的特征分析
2.1 生物形态特征与数学形态特征
2.2 样本库制备
2.2.1 实蝇样本库制备
2.2.2 生物形态特征分析
2.3 果实蝇的数学形态特征分析
2.3.1 果实蝇特征的选取
2.3.2 果实蝇特征的数学定义
2.4 果实蝇图像的特征提取方法
2.4.1 高斯滤波
2.4.2 自适应边缘检测
2.4.3 特征区域分割
2.4.4 特征区域分割的试验结果与分析
2.4.5 数学形态特征提取
2.5 本章小结
3 特征工程
3.1 特征工程规划
3.1.1 数据预处理
3.1.2 特征选择
3.1.3 特征降维
3.2 数据预处理方法
3.3 果实蝇数学形态特征值提取及预处理
3.4 特征选取方法
3.4.1 分布型检验方法
3.4.2 方差齐性检验方法
3.4.3 显著性差异检验方法
3.5 果实蝇数学形态特征选取
3.5.1 总体分布假设检验
3.5.2 方差齐性检验
3.5.3 显著性差异检验
3.5.4 试验结论分析
3.6 本章小结
4 分类算法设计
4.1 BP神经网络算法技术概要
4.1.1 工作信号的正向传递
4.1.2 误差信号的反向传递
4.1.3 神经网络初始化
4.2 神经网络算法的纵向对比
4.2.1 SVM算法技术概要
4.2.2 横向对比总结
4.3 神经网络算法的横向对比
4.3.1 BP神经网络算法的局限性
4.3.2 CNN神经网络算法技术概要
4.3.3 纵向对比总结
4.4 本章小结
5 图像识别模型的构建流程
5.1 功能模块设计
5.1.1 需求概述
5.1.2 软件结构
5.2 分类试验结果与分析
5.2.1 特征区域分割试验结果与分析
5.2.2 特征因子数值分析
5.2.3 神经网络分类试验结果与分析
5.3 本章小结
6 图像识别模型的性能评估
6.1 性能评估指标
6.1.1 基本定义
6.1.2 实例
6.2 性能评估可视化方法
6.2.1 混淆矩阵
6.2.2 P-R空间
6.3 性能评估试验分析
6.3.1 交叉验证法
6.3.2 试验结果分析
6.4 本章小结
7 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
附录
本文编号：3763298
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3763298.html
