基于深度卷积网络的农业病虫害图像分类识别应用

发布时间：2021-05-18 01:59

　　随着现代数字技术的发展,中国作为一个农业大国也要实现向数字化农业的方向进行转变。比如在农业种植过程中会需要及时准确的分析农作物病虫情况,从而做出快速准确的反应,采用有严格针对性且剂量精准的农药进行喷洒到受害部位,并保证农作物的健康部分尽量不接受农药喷洒。确保农药的高效性,并对农作物的整个生长过程进行数字化检测,实现高产高效,全面实现农业种植和管理数字化。本文以大豆叶子作为农业研究对象。由于大豆容易在种植中受到各类病虫害的侵害,特别是灰霉病和细菌性斑霉病是最常见的容易造成大豆减产的原因。如何及时发现这两种病虫害并迅速做出精准的措施是关键。首先,本文介绍了农业信息化过程中相关的信息技术和算法,并进行了国内外发展状况的详细分析。其次,随着深度学习技术的不断发展,卷积神经网络在图像分类和识别领域有一定的优势。希望借助于卷积神经网络技术,使其应用于防治农业病虫害的应用中。本文介绍了卷积神经网络的发展,包括卷积神经网络的研究历史、研究意义、工作原理和关键技术。再次,本文详细介绍了农作物健康区域与病虫害区域分割识别时涉及到的基本算法,包括图像预处理、图像增强算法、特征向量提取方法（主成分分析法和独立... 

【文章来源】：武汉轻工大学湖北省

【文章页数】：51 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究的背景及意义
    1.2 国内外研究的现状及存在的问题
        1.2.1 快速检测植物虫害信息的研究现状及问题
        1.2.2 快速检测植物病害信息的研究现状及问题
        1.2.3 信息技术在大豆病虫害监测领域存在的问题
    1.3 主要研究内容及章节安排
第2章 卷积神经网络的基本介绍
    2.1 卷积神经网络的研究历程
    2.2 卷积神经网络的研究意义
    2.3 卷积神经网络的结构、工作原理及关键技术
        2.3.1 卷积神经网络的结构
        2.3.2 卷积神经网络的工作原理
        2.3.3 卷积神经网络的关键技术
        2.3.4 卷积神经网络存在的问题
第3章 农作物分割的相关技术与算法
    3.1 图像增强
        3.1.1 灰度变换
        3.1.2 直方图均衡化法
        3.1.3 图像平滑
        3.1.4 图像边缘提取算法
    3.2 特征向量提取方法
        3.2.1 主成分分析法
        3.2.2 独立主成分分析法
    3.3 优化算法
    3.4 特征波长提取方法
    3.5 支持向量机
第4章 深度卷积神经网络分割算法及应用
    4.1 深度卷积神经网络分割算法
    4.2 深度卷积神经网络结构
        4.2.1 卷积层
        4.2.2 最大池化下采样层
        4.2.3 全连接层
        4.2.4 Softmax分类层
    4.3 深度卷积神经网络算法
        4.3.1 Logistic回归
        4.3.2 Softmax回归
        4.3.3 Sigmoid转移函数
        4.3.4 损失函数
        4.3.5 随机梯度下降法
    4.4 提取训练数据
    4.5 算法实现
    4.6 实验结果
    4.7 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢


【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[2]卷积神经网络分类模型在模式识别中的新进展[J]. 胡正平,陈俊岭,王蒙,赵淑欢.  燕山大学学报. 2015(04)
[3]基于卷积神经网络的图像识别算法设计与实现[J]. 王振,高茂庭.  现代计算机(专业版). 2015(20)
[4]基于梯度的多输入卷积神经网络[J]. 费建超,芮挺,周遊,方虎生,朱会杰.  光电工程. 2015(03)
[5]经典边缘检测算子及其抗噪性能研究[J]. 葛小凤,陈亚军.  数字技术与应用. 2015(02)
[6]独立组分分析的十种算法综述及其在药物分析中的应用[J]. 宋清,陆峰.  药学实践杂志. 2013(01)
[7]基于改进分水岭的棉花图像分割方法[J]. 任磊,赖惠成,陈钦政,王星.  计算机工程与应用. 2012(34)
[8]基于补偿模糊神经网络的脐橙不同病虫害图像识别[J]. 温芝元,曹乐平.  农业工程学报. 2012(11)
[9]基于多策略融合技术的水稻叶片边缘检测算法研究[J]. 何丹丹,徐梅.  东北农业大学学报. 2012(05)
[10]利用高光谱红边与黄边位置距离识别小麦条锈病[J]. 蒋金豹,陈云浩,黄文江.  光谱学与光谱分析. 2010(06)

硕士论文
[1]基于深度学习的手写数字集特征提取算法[D]. 任沙.湖南师范大学 2016
[2]基于卷积神经网络的视频语义概念分析[D]. 詹智财.江苏大学 2016
[3]改进的微分算子与形态学融合的边缘检测算法[D]. 陈瑜.哈尔滨理工大学 2016
[4]改进的卷积神经网络模型及其应用研究[D]. 何鹏程.大连理工大学 2015
[5]基于小波变换与BM3D的多图去噪方法研究[D]. 李超.华北电力大学 2015
[6]基于方向小波变换的图像边缘检测算子研究[D]. 艾超.西安电子科技大学 2013
[7]红外图像的目标检测与识别方法研究[D]. 李静静.沈阳理工大学 2013
[8]基于梯度算子的图像边缘检测算法研究[D]. 马宇飞.西安电子科技大学 2012



本文编号：3192890