基于深度学习的香蕉病害诊断系统及株数统计算法的实现
发布时间：2021-11-16 14:41
实现香蕉园的信息化管理是提高香蕉生产效率的关键手段之一。香蕉园的信息化管理主要包括香蕉养分、病虫害、株数等生长信息的自动化采集,水、肥、药等生产资料的自动化作业,以及果园环境的自动化监测等方面。彩色数字（RGB）图像随着成像传感器在智能手机、无人机上的大量普及,已成为最容易获取的高通量数据之一。本文以RGB图像为原始信息的获取手段,通过深度学习方法研究香蕉常见病害及果园生长早期的株数的检测方法,设计了一套香蕉病害远程诊断系统和一种香蕉株数检测算法。主要的研究内容包括:1.构建香蕉病害诊断模型。共收集了5944张图像,包括7种香蕉作物常见病害以及健康植株。数据集被随机分为训练集,验证集和测试集。利用迁移学习的方法对深度卷积神经网络模型Goog Le Net进行训练,通过改变模型的参数以及训练次数,得到最终的诊断模型,平均测试准确率达到98%,具有良好的应用前景。2.远程诊断系统的设计。进一步开发了以手机移动应用程序（APP）为终端,以诊断模型与中间件通信模块为服务端的远程诊断系统。基于Android Studio设计了简易的手机APP,该APP能够就地获取香蕉图像并进行预处理,通过网络将...
【文章来源】：广西大学广西壮族自治区 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
常见香蕉病虫害Fig.1-1Commonbananadiseasesandinsectpests
广西大学硕士（工程硕士）学位论文基于深度学习的香蕉病害诊断系统及株数统计算法的实现12图2-3CNN结构图Fig.2-3CNNstructurediagram输入层。可以处理多个维度的数据，例如网络的输入是彩色图像，则为三维数据：R通道，G通道，B通道。可以对网络的输入进行归一化、降维等预处理操作。卷积层。卷积层是CNN的重要组成部分，由一组过滤器（又称为卷积核）组成。输入的原始图像通过卷积核和输入像素之间的点积与每个卷积核进行卷积。以彩色图像为例卷积原理如图2-4所示。输入图像中的每个像素代表一个神经元，卷积层中的每个神经元都与其局部神经元局部连接。权重大小的设置用于控制自由参数的数量，并显著降低CNN的复杂性和训练计算量。卷积操作是为了提取图像的特征，低层的卷积提取一些边缘、线条、角等特征，高层的卷积从低层的卷积中学到复杂的深度特征，从而实现图片的分类和识别。图2-4卷积原理图Fig.2-4Convolutionprinciplediagram通常卷积层后面会跟着激活函数，激活函数用于对卷积层的输出结果进行非线性映射，为了能对非线性情况进行分类。常用的激活函数有ReLu，Sigmoid和双曲正切函数，其中ReLu广泛用于深度学习中。
广西大学硕士（工程硕士）学位论文基于深度学习的香蕉病害诊断系统及株数统计算法的实现12图2-3CNN结构图Fig.2-3CNNstructurediagram输入层。可以处理多个维度的数据，例如网络的输入是彩色图像，则为三维数据：R通道，G通道，B通道。可以对网络的输入进行归一化、降维等预处理操作。卷积层。卷积层是CNN的重要组成部分，由一组过滤器（又称为卷积核）组成。输入的原始图像通过卷积核和输入像素之间的点积与每个卷积核进行卷积。以彩色图像为例卷积原理如图2-4所示。输入图像中的每个像素代表一个神经元，卷积层中的每个神经元都与其局部神经元局部连接。权重大小的设置用于控制自由参数的数量，并显著降低CNN的复杂性和训练计算量。卷积操作是为了提取图像的特征，低层的卷积提取一些边缘、线条、角等特征，高层的卷积从低层的卷积中学到复杂的深度特征，从而实现图片的分类和识别。图2-4卷积原理图Fig.2-4Convolutionprinciplediagram通常卷积层后面会跟着激活函数，激活函数用于对卷积层的输出结果进行非线性映射，为了能对非线性情况进行分类。常用的激活函数有ReLu，Sigmoid和双曲正切函数，其中ReLu广泛用于深度学习中。
【参考文献】：
期刊论文
[1]基于深度残差网络的番茄叶片病害识别方法[J]. 吴华瑞. 智慧农业. 2019(04)
[2]基于轻量级CNN的植物病害识别方法及移动端应用[J]. 刘洋,冯全,王书志. 农业工程学报. 2019(17)
[3]基于深度学习的农作物病虫害图像识别技术研究进展[J]. 贾少鹏,高红菊,杭潇. 农业机械学报. 2019(S1)
[4]基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 陈桂芬,赵姗,曹丽英,傅思维,周佳鑫. 智慧农业. 2019(02)
[5]Using Deep Learning for Soybean Pest and Disease Classification in Farmland[J]. Si Meng-min,Deng Ming-hui,Han Ye. Journal of Northeast Agricultural University（English Edition）. 2019(01)
[6]基于改进Faster R-CNN的空中目标检测[J]. 冯小雨,梅卫,胡大帅. 光学学报. 2018(06)
[7]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)
[8]基于颜色特征和差直方图的苹果叶部病害识别方法[J]. 张云龙,袁浩,张晴晴,齐国红. 江苏农业科学. 2017(14)
[9]基于Android的自然背景下黄瓜霜霉病定量诊断系统[J]. 叶海建,郎睿. 农业机械学报. 2017(03)
[10]基于Android的水稻害虫诊断系统[J]. 张谷丰,罗岗,孙雪梅,易红娟. 应用昆虫学报. 2015(04)
博士论文
[1]基于数字图像的蝴蝶种类自动识别研究[D]. 李凡.北京林业大学 2015
[2]基于图像识别的作物病虫草害诊断研究[D]. 王克如.中国农业科学院 2005
硕士论文
[1]低空图像检测甘蔗冠层覆盖度及株心数量[D]. 王丽佳.广西大学 2019
[2]基于深度学习的葡萄叶片病害识别方法研究[D]. 刘媛.甘肃农业大学 2018
[3]基于Android的水稻病虫害图像识别与诊断系统的研究[D]. 张永玲.浙江理工大学 2018
[4]玉米病斑图像预处理系统[D]. 闫超.黑龙江八一农垦大学 2015
[5]基于Android移动终端的烟草病虫害图像智能识别系统研究[D]. 吴子龙.云南农业大学 2015
[6]基于数字图像处理的棉花害虫识别体系研究[D]. 杨文翰.四川农业大学 2015
[7]基于Android的图像识别客户端系统研究[D]. 罗其朝.海南大学 2014
[8]基于Android的水稻害虫图像采集与识别系统研究[D]. 姜慧.浙江理工大学 2013
[9]玉米叶部病斑图像智能处理算法的研究与实现[D]. 李娇娇.北京邮电大学 2010
[10]山杏常见叶部病虫害图像识别技术研究[D]. 王维枫.中国林业科学研究院 2008
本文编号：3499087
【文章来源】：广西大学广西壮族自治区 211工程院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
常见香蕉病虫害Fig.1-1Commonbananadiseasesandinsectpests
广西大学硕士（工程硕士）学位论文基于深度学习的香蕉病害诊断系统及株数统计算法的实现12图2-3CNN结构图Fig.2-3CNNstructurediagram输入层。可以处理多个维度的数据，例如网络的输入是彩色图像，则为三维数据：R通道，G通道，B通道。可以对网络的输入进行归一化、降维等预处理操作。卷积层。卷积层是CNN的重要组成部分，由一组过滤器（又称为卷积核）组成。输入的原始图像通过卷积核和输入像素之间的点积与每个卷积核进行卷积。以彩色图像为例卷积原理如图2-4所示。输入图像中的每个像素代表一个神经元，卷积层中的每个神经元都与其局部神经元局部连接。权重大小的设置用于控制自由参数的数量，并显著降低CNN的复杂性和训练计算量。卷积操作是为了提取图像的特征，低层的卷积提取一些边缘、线条、角等特征，高层的卷积从低层的卷积中学到复杂的深度特征，从而实现图片的分类和识别。图2-4卷积原理图Fig.2-4Convolutionprinciplediagram通常卷积层后面会跟着激活函数，激活函数用于对卷积层的输出结果进行非线性映射，为了能对非线性情况进行分类。常用的激活函数有ReLu，Sigmoid和双曲正切函数，其中ReLu广泛用于深度学习中。
广西大学硕士（工程硕士）学位论文基于深度学习的香蕉病害诊断系统及株数统计算法的实现12图2-3CNN结构图Fig.2-3CNNstructurediagram输入层。可以处理多个维度的数据，例如网络的输入是彩色图像，则为三维数据：R通道，G通道，B通道。可以对网络的输入进行归一化、降维等预处理操作。卷积层。卷积层是CNN的重要组成部分，由一组过滤器（又称为卷积核）组成。输入的原始图像通过卷积核和输入像素之间的点积与每个卷积核进行卷积。以彩色图像为例卷积原理如图2-4所示。输入图像中的每个像素代表一个神经元，卷积层中的每个神经元都与其局部神经元局部连接。权重大小的设置用于控制自由参数的数量，并显著降低CNN的复杂性和训练计算量。卷积操作是为了提取图像的特征，低层的卷积提取一些边缘、线条、角等特征，高层的卷积从低层的卷积中学到复杂的深度特征，从而实现图片的分类和识别。图2-4卷积原理图Fig.2-4Convolutionprinciplediagram通常卷积层后面会跟着激活函数，激活函数用于对卷积层的输出结果进行非线性映射，为了能对非线性情况进行分类。常用的激活函数有ReLu，Sigmoid和双曲正切函数，其中ReLu广泛用于深度学习中。
【参考文献】：
期刊论文
[1]基于深度残差网络的番茄叶片病害识别方法[J]. 吴华瑞. 智慧农业. 2019(04)
[2]基于轻量级CNN的植物病害识别方法及移动端应用[J]. 刘洋,冯全,王书志. 农业工程学报. 2019(17)
[3]基于深度学习的农作物病虫害图像识别技术研究进展[J]. 贾少鹏,高红菊,杭潇. 农业机械学报. 2019(S1)
[4]基于迁移学习与卷积神经网络的玉米植株病害识别[J]. 陈桂芬,赵姗,曹丽英,傅思维,周佳鑫. 智慧农业. 2019(02)
[5]Using Deep Learning for Soybean Pest and Disease Classification in Farmland[J]. Si Meng-min,Deng Ming-hui,Han Ye. Journal of Northeast Agricultural University（English Edition）. 2019(01)
[6]基于改进Faster R-CNN的空中目标检测[J]. 冯小雨,梅卫,胡大帅. 光学学报. 2018(06)
[7]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)
[8]基于颜色特征和差直方图的苹果叶部病害识别方法[J]. 张云龙,袁浩,张晴晴,齐国红. 江苏农业科学. 2017(14)
[9]基于Android的自然背景下黄瓜霜霉病定量诊断系统[J]. 叶海建,郎睿. 农业机械学报. 2017(03)
[10]基于Android的水稻害虫诊断系统[J]. 张谷丰,罗岗,孙雪梅,易红娟. 应用昆虫学报. 2015(04)
博士论文
[1]基于数字图像的蝴蝶种类自动识别研究[D]. 李凡.北京林业大学 2015
[2]基于图像识别的作物病虫草害诊断研究[D]. 王克如.中国农业科学院 2005
硕士论文
[1]低空图像检测甘蔗冠层覆盖度及株心数量[D]. 王丽佳.广西大学 2019
[2]基于深度学习的葡萄叶片病害识别方法研究[D]. 刘媛.甘肃农业大学 2018
[3]基于Android的水稻病虫害图像识别与诊断系统的研究[D]. 张永玲.浙江理工大学 2018
[4]玉米病斑图像预处理系统[D]. 闫超.黑龙江八一农垦大学 2015
[5]基于Android移动终端的烟草病虫害图像智能识别系统研究[D]. 吴子龙.云南农业大学 2015
[6]基于数字图像处理的棉花害虫识别体系研究[D]. 杨文翰.四川农业大学 2015
[7]基于Android的图像识别客户端系统研究[D]. 罗其朝.海南大学 2014
[8]基于Android的水稻害虫图像采集与识别系统研究[D]. 姜慧.浙江理工大学 2013
[9]玉米叶部病斑图像智能处理算法的研究与实现[D]. 李娇娇.北京邮电大学 2010
[10]山杏常见叶部病虫害图像识别技术研究[D]. 王维枫.中国林业科学研究院 2008
本文编号：3499087
本文链接：https://www.wllwen.com/nykjlw/dzwbhlw/3499087.html
最近更新
教材专著
