基于神经网络和支持向量机的苎麻病害识别系统的研究

发布时间：2021-04-14 13:59

　　随着农业现代化的推进和信息技术的飞速发展,国家适时地提出了农业信息化这个目标,其目的是把农业领域相关数据利用计算机相关技术进行集中分析,提高效率,降低成本。在农业信息化过程中,机器学习技术被广泛使用。应用范围主要为农产品产量、价格预测、农业信息推荐和本文研究的作物病害识别等领域。利用计算机识别作物病害能够降低主观性,得到具有参考价值的判别结果,并辅助专家进行病害种类辨别。本文以苎麻褐斑病识别为切入点,分析了主流机器学习方法在病害图像识别方面的性能。并做了如下工作:（1）利用设置容差取极大值区域的方法,对病叶图像进行特征区域提取。（2）以卷积神经网络进行病斑灰度图像像素特征学习,并把学习到的特征利用支持向量机进行分类判别。（3）利用多特征多模型组合投票方式进行分类判别,提高系统判别精度,降低判别误差。经过一系列研究及测试,考虑到病斑分割时的查全率,最终对苎麻叶片褐斑病识别准确率大致能够稳定在90%左右,对分割出的病斑识别率达到96%以上。经过测试,利用设置容差取极大值区域的方法提取苎麻叶片褐斑病病斑,结果优于以往的阈值分割方法。特别对于叶片泛黄区域内的病斑有较好的提取效果。同时研究也证实... 

【文章来源】：湖南农业大学湖南省

【文章页数】：81 页

【学位级别】：硕士

【部分图文】：

技术路线

湖南农业大学全日制专业硕士学位论文第2章 材料及方法集地点概况究通过苎麻叶片分析及识别褐斑病，因此必须要采集大量研究所使用的苎麻叶片的采集主要集中在湖南农业大学耘地的苎麻品种多样（近 200 种）。该基地位于长沙地区（″E），属亚热带季风湿润气候，气候温和，降水充沛，雨气温为 16.8℃~17.3℃，年平均降雨量为 1358.6～1552.5 毫

(c) (d)图 2-2 拍摄的苎麻叶样本Fig. 2-2 Picked ramie leaves2.4 数据集信息本文研究过程中一共拍摄 56 张照片，通过预处理提取的疑似区域个数为 599 个，正样本（提取区域为病斑）为 274 个，负样本（提取区域为非病斑）为 325 个。并以80%的比例随机分割训练集和测试集进行试验：训练样本约为 479 个，测试样本约为120 个。


本文编号：3137445