改进卷积神经网络算法研究及其在作物叶片病害图像识别中的应用

发布时间：2020-12-29 11:42

　　近年来,随着绿色农业概念的提出,作物病害的防治问题受到极为广泛的关注。目前,计算机视觉技术在作物病害识别领域中的应用已经取得了一定的研究成果,然而基于传统机器视觉的病害识别方法需要依赖人工特征选取,难以全面的反应作物叶片病害特性,精确率仍有待提高。卷积神经网络是一种深度学习算法,可有效避免传统计算机视觉技术繁琐的特征选择过程,并实现比传统算法更高的识别精度,但是,现有基于深度学习的叶片病害识别模型存在参数量大等问题。鉴于此,本文以简单背景以及实际复杂背景下作物叶片病害图片为研究对象,改进了卷积神经网络算法并应用于作物叶片病害识别研究中。具体内容如下:（1）针对卷积神经网络模型参数量与计算量大、收敛速度慢的问题,提出了采用深度可分离卷积与全局均值池化相结合的方法改进卷积神经网络以减少参数量与计算量;提出了采用残差连接与加入批归一化层改进卷积神经网络加速模型收敛,实现简单背景下作物叶片病害的快速精确识别。研究结果表明,本文所提出的DW-ResNet算法模型收敛速度较快,残差连接可以提升模型的精度与收敛速度。与基于微调VGG模型和传统机器学习的病害识别方法相比,DW-ResNet算法具有较高... 

【文章来源】：江苏大学江苏省

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

卷积方式

图 2.1 卷积方式Fig.2.1 Convolution methods卷积相似，三维卷积的不同之处在于卷积核的通道数不的通道数相等，如图 2.2 所示，若输入的图像尺寸为f D 经过一个大小为k kD D的卷积核处理之后，输出特征

池化层Fig.2.3Poolinglayer

【参考文献】：
期刊论文
[1]基于改进VGG卷积神经网络的棉花病害识别模型[J]. 张建华,孔繁涛,吴建寨,翟治芬,韩书庆,曹姗姗.  中国农业大学学报. 2018(11)
[2]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青.  农业工程学报. 2018(18)
[3]深度神经网络压缩与加速综述[J]. 纪荣嵘,林绍辉,晁飞,吴永坚,黄飞跃.  计算机研究与发展. 2018(09)
[4]基于样本权重更新的不平衡数据集成学习方法[J]. 陈圣灵,沈思淇,李东升.  计算机科学. 2018(07)
[5]不平衡数据分类研究综述[J]. 赵楠,张小芳,张利军.  计算机科学. 2018(S1)
[6]基于随机森林方法的小麦叶片病害识别研究[J]. 夏永泉,王兵,支俊,黄海鹏,孙静茹.  图学学报. 2018(01)
[7]基于物联网和深度卷积神经网络的冬枣病害识别方法[J]. 张善文,黄文准,尤著宏.  浙江农业学报. 2017(11)
[8]基于区分深度置信网络的病害图像识别模型[J]. 宋丽娟.  计算机工程与应用. 2017(21)
[9]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙.  农业工程学报. 2017(19)
[10]基于深度学习和支持向量机的4种苜蓿叶部病害图像识别[J]. 秦丰,刘东霞,孙炳达,阮柳,马占鸿,王海光.  中国农业大学学报. 2017(07)

硕士论文
[1]基于深度学习的移动端图像识别算法[D]. 黄萱昆.北京邮电大学 2018
[2]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
[3]基于神经网络和支持向量机的苎麻病害识别系统的研究[D]. 刘曜端.湖南农业大学 2017



本文编号：2945583