复杂背景下叶片病斑分割与识别策略的研究

发布时间：2023-01-08 14:31

　　农作物病虫害的出现在外观上会有直接的体现,病斑区域与非病斑区域的形状、颜色和质地都会有很大的改变。不论是借助检测工具还是人工识别,都会存在很多漏判和误判的情况,而且耗时长,费用高,达不到精准农业的快速判断标准。目前,国内外作物病虫害自动检测技术大多数还是基于数字图像处理和光谱分析成像技术。随着人工智能技术的发展,计算机视觉和图像处理技术被广泛应用于植物病害识别领域,利用图像处理和深度学习方法,能够更快更准确的识别植物病害种类。本文采用深度神经网络学习植物病斑的深层特征,训练得到深度卷积神经网络模型,可实现对复杂背景下9种作物叶片的20种病斑进行预处理和识别,主要研究内容如下:（1）通过加入各向异性扩散滤波算子构造新的边缘检测函数,对传统GAC模型进行改进,建立了AD-GAC模型;根据叶片部分和病斑部分的像素值的差异,采用AD-GAC模型和最大熵阈值法,将作物叶片病斑从复杂背景中分割出来。（2）通过采用旋转、翻转、缩放、平移等操作对样本进行扩充,有效解决样本数量不足的问题;然后,将原始数据作为输入,经过AD-GAC模型得到病斑图像,并根据主干网络resize病斑图像的大小;最后,利用迁移... 

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 论文研究背景和意义
    1.2 农作物病害图像识别的国内外研究现状
        1.2.1 农作物病害图像识别的国外研究现状
        1.2.2 农作物病害识别国内研究现状
    1.3 主要研究内容和论文结构
        1.3.1 主要研究内容
        1.3.2 论文结构
第二章 传统彩色图像预处理和分割
    2.1 彩色图像预处理
        2.1.1 中值滤波法
        2.1.2 小波滤波
    2.2 彩色图像分割方法
        2.2.1 基于阈值的分割方法
        2.2.2 活动轮廓模型
        2.2.3 基于区域的分割方法
        2.2.4 病斑分割对识别任务的意义
    2.3 本章小结
第三章 复杂背景下基于AD-GAC和最大熵阈值法的叶片病斑分割
    3.1 各向异性扩散处理
    3.2 水平集方法原理
        3.2.1 曲线的水平集表示和演化
        3.2.2 泛函和变分法
        3.2.3 梯度下降流
    3.3 AD-GAC模型的提出
    3.4 背景移除
    3.5 最大熵阈值法
    3.6 实验和讨论
    3.7 本章小结
第四章 基于AD-GAC CNN的叶片病斑分类
    4.1 深度学习发展历史
    4.2 深卷积神经网络(CNN)的特点
    4.3 卷积神经网络的拓扑结构
        4.3.1 卷积层
        4.3.2 下采样层
        4.3.3 全连接层
        4.3.4 激活函数
    4.4 卷积神经网络中的重要算法
        4.4.1 随机梯度下降算法
        4.4.2 反向传播算法
    4.5 几种常见的CNN网络结构
        4.5.1 AlexNet
        4.5.2 VGGNet
        4.5.3 GoogleNet
    4.6 AD-GAC CNN网络结构
        4.6.1 stage1：AD-GAC模型
        4.6.2 stage2：基于联合监督的迁移学习
    4.7 数据增强
    4.8 实验分析
        4.8.1 实验方法
        4.8.2 实验结果分析
    4.9 本章小结
第五章 作物叶片病斑识别软件系统
    5.1 系统开发环境
        5.1.1 系统开发硬件环境
        5.1.2 系统开发软件系统
    5.2 系统功能模块
    5.3 系统软件的功能测试
    5.4 本章小结
第六章 总结与展望
    6.1 本文总结
    6.2 工作展望
参考文献
发表论文和科研情况说明
致谢


【参考文献】：
期刊论文
[1]改进EMD阈值小波滤波方法[J]. 李其建,徐海波.  机械科学与技术. 2017(08)
[2]卷积神经网络概述[J]. 侯宇昆.  中国新通信. 2017(09)
[3]改进的自适应中值滤波算法及其应用[J]. 刘鹏宇,哈睿,贾克斌.  北京工业大学学报. 2017(04)
[4]小波变换在医学图像处理中的应用[J]. 尚珍,聂泽花.  计算机时代. 2016(08)
[5]基于BIRCH聚类加速的彩色图像增强算法[J]. 齐兴斌,赵丽,李雪梅.  计算机测量与控制. 2016(04)
[6]基于多分类器融合的玉米叶部病害识别[J]. 许良凤,徐小兵,胡敏,王儒敬,谢成军,陈红波.  农业工程学报. 2015(14)
[7]基于支持向量机与多特征选择的农作物彩色病斑边缘检测[J]. 濮永仙.  计算机系统应用. 2014(09)
[8]基于局部判别映射算法的玉米病害识别方法[J]. 张善文,张传雷.  农业工程学报. 2014(11)
[9]小麦叶部常见病害特征提取及识别技术研究[J]. 王美丽,牛晓静,张宏鸣,赵建邦,何东健.  计算机工程与应用. 2014(07)
[10]小波与双边滤波的医学超声图像去噪[J]. 张聚,王陈,程芸.  中国图象图形学报. 2014(01)

博士论文
[1]变分水平集理论及其在医学图像分割中的应用[D]. 谢强军.浙江大学 2009
[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]基于深度学习的目标检测与分割算法研究[D]. 王若辰.北京工业大学 2016
[2]基于图像处理的黄瓜叶部病害识别研究[D]. 李旺.湖南农业大学 2013
[3]基于图像处理的温室大棚中番茄的病害识别[D]. 柴洋.沈阳工业大学 2013
[4]基于图像处理和模式识别技术的黄瓜病害识别研究[D]. 彭占武.吉林农业大学 2007



本文编号：3728646