基于深度特征学习和多级SVM的玉米生长期识别研究

发布时间：2022-07-12 12:19

　　作物生长期自动识别是精准农业支持技术的核心部分之一。传统农作物的生长期通过人工手动观测记载,存在费时费力、效率低下、人为主观性强、观测标准不一、测量精度难以保证等问题。目前,主要利用图像处理技术对农作物生长期进行分类识别,由于在田间拍摄农作物图像,需要固定拍摄设备,并在相同距离下进行拍摄,对光线、拍摄角度等要求较高。随着近年来深度学习在计算机视觉领域的广泛应用,本文以玉米图像为研究对象,采用深度学习技术对田间拍摄的玉米不同生长期图像进行识别研究。本文通过对田间拍摄的玉米图像进行预处理,运用卷积神经网络提取玉米图像特征,结合PSO优化算法构建基于二叉树结构的多级SVM,实现玉米生长期的分类识别,主要工作如下:（1）对田间拍摄的玉米图像进行预处理。结合玉米植株的颜色特点,对田间拍摄的玉米图像采用数学形态学算法和前景目标分割算法对玉米图像进行预处理,滤除了图像中的土壤、杂草、光线等干扰噪声,为后续提取玉米图像特征做准备。（2）采用卷积神经网络对玉米图像进行特征提取。采用卷积神经网络进行训练时由于样本不够多,网络参数得不到充分训练导致分类效果较差。这里首先采用翻转、裁剪、旋转等数据增强技术进行... 

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
    1.3 本文内容
    1.4 本文组织结构
第二章 图像预处理
    2.1 颜色分割
    2.2 前景分割
        2.2.1 颜色模型
        2.2.2 迭代能量最小化分割
        2.2.3 透明度alpha的产生
    2.3 形态学处理
        2.3.1 腐蚀
        2.3.2 膨胀
    2.4 图像二值化
    2.5 本章小结
第三章 基于卷积神经网络的玉米生长期特征提取
    3.1 人工神经网络
    3.2 卷积神经网络
        3.2.1 局部连接
        3.2.2 权值共享
    3.3 卷积神经网络的基本结构
        3.3.1 卷积层
        3.3.2 池化层
        3.3.3 全连接层
    3.4 基于卷积神经网络的玉米生长期特征提取
    3.5 实验结果与分析
        3.5.1 实验平台
        3.5.2 实验数据集
        3.5.3 实验结果
    3.6 本章小结
第四章 基于粒子群优化的多级SVM玉米生长期识别
    4.1 支持向量机
        4.1.1 线性可分支持向量机
        4.1.2 线性不可分支持向量机
        4.1.3 多分类
        4.1.4 核函数
    4.2 二叉树结构的SVM玉米生长期分类模型
    4.3 基于二叉树结构的多级SVM的玉米生长期识别
    4.4 基于粒子群优化算法的SVM参数寻优
        4.4.1 粒子群优化算法概述
    4.5 基于粒子群优化的多级SVM玉米生长期识别实验
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
攻读硕士期间发表的论文
参考文献
致谢



本文编号：3659115