基于卷积神经网络的平菇图像识别研究
发布时间：2021-03-26 05:57
平菇是我国六大主要食用菌品种之一,其年消耗量和出口量均非常可观。在食用菌工厂化生产的大前提下,平菇的自动化栽培和管理也得到了很好的实现。由于平菇自身具有形状不规则、子实体细嫩、容易破损的物理特性,导致其自动收获技术始终难以实现。为了防止平菇的自动收获设备在执行采摘命令时对平菇子实体造成破坏,影响经济效益,就需要对平菇进行精准识别的研究。论文首先对采集到的图像进行筛选整理,剔除不达标图像后对剩余图像中目标分布相对集中的区域进行截取和缩放处理,使其大小统一为400*400,以600个处理后的图像作为正样本数据集,再截取400个经过同样方法处理的具有代表性的背景区域图像,统一缩放处理后作为负样本,与正样本一起作为神经网络识别所需的数据集。随机各抽取百分之八十的样本为训练集,其余百分之二十为测试集。另外还对采集到的图像进行灰度化、背景分割和图像滤波处理,用以提取这些图像中平菇的特征参数,作为验证识别的准备工作。论文的核心工作是利用卷积神经网络对采集到的平菇图像进行识别。通过对经典LeNet-5网络模型加以改进,得到适合平菇识别的改进模型。对模型中卷积层数、各层的卷积核数量、大小以及采样单元的尺...
【文章来源】：吉林农业大学吉林省
【文章页数】：48 页
【学位级别】：硕士
【部分图文】：
平菇图像
最终试验所需的数据集由两个样本集合组成，分别为正样本（600 个）和负样本（400 个），如图2.2 所示。可以看出实际截取后的样本数量大大多于采集到的图片数量，这是由于同一张图像中可能会有多簇互不重叠的平菇，背景部分的截取则具有更强的灵活性。从正、负样本中随机抽取 80%构建一个训练集，剩下的 20%样本作为测试集。正、负样本的数据集将用于神经网络识别模型的训练和测试，同时也是网络参数优化的数据来源。（1）正样本（2）负样本图 2.2 正、负样本示例Fig 2.2 Positive and negative examples2.3 平菇图像的预处理选取 50 幅符合条件的平菇图像作为验证试验的准备材料，将其转换为 BMP格式并调整分辨率为 800*600 像素，以图 2.1 为例，对这些图像进行预处理。2.3.1 灰度化图像处理的首要步骤对彩色图像进行灰度处理。选用合适的灰度化处理方法可以有效地突出图像中的目标部分，弱化其他与目标无关的部分，进而获悉研究目标最本质的特征。而灰度化处理的实质是利
菇和菌包颜色非常接近，两者的灰度分原始图像进行转换都无法完整的突出排除干扰法对采集到的蘑菇图像进行所有像素点排列成一个 800*600 的矩本身的颜色接近灰白色，其颜色特征短处理时间，优化系统时效性，选取单行研究即可满足试验要求。经分析可，从图像左侧边缘一直延伸到了右侧中 X 轴代表行数，Y 轴代表灰度叠加范围，就可以有效排除掉菌包部分的
【参考文献】：
期刊论文
[1]基于改进Otsu算法的生菜叶片图像分割方法[J]. 孙俊,宋佳,武小红,李玉婷. 江苏大学学报(自然科学版). 2018(02)
[2]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[3]中国食用菌工厂化栽培待克服的技术难点[J]. 木村荣一,王建兵. 食药用菌. 2018(01)
[4]基于卷积神经网络的小样本图像识别方法[J]. 段萌,王功鹏,牛常勇. 计算机工程与设计. 2018(01)
[5]基于中值滤波和直方图均衡化的图像增强方法研究[J]. 苗水清,张静,黄昌军. 无线互联科技. 2017(22)
[6]几种图像滤波处理方法比较[J]. 徐莉莉. 电脑知识与技术. 2017(31)
[7]基于PReLUs-Softplus非线性激励函数的卷积神经网络[J]. 郜丽鹏,郑辉. 沈阳工业大学学报. 2018(01)
[8]基于卷积神经网络的图像识别算法研究[J]. 张荣磊,田爱奎,谭浩,郑睿. 山东理工大学学报(自然科学版). 2018(01)
[9]基于BP神经网络的图像识别方法[J]. 高强. 电子世界. 2017(17)
[10]基于BP神经网络的图像识别应用[J]. 肖莹. 科技经济导刊. 2017(24)
博士论文
[1]图像特征提取方法及其应用研究[D]. 刘淑琴.西北大学 2016
硕士论文
[1]基于卷积神经网络的图像识别方法研究[D]. 宋月.东北石油大学 2017
[2]玉米大豆水稻图像识别方法研究[D]. 李妍.黑龙江八一农垦大学 2017
[3]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[4]基于卷积神经网络的图像处理与识别算法研究[D]. 满凤环.江南大学 2017
[5]基于深度卷积神经网络的人脸识别研究[D]. 杨子文.广西师范大学 2017
[6]边缘检测方法研究及应用[D]. 王章锋.天津工业大学 2017
[7]基于端到端深度卷积神经网络的人脸识别算法[D]. 陈华官.浙江大学 2017
[8]基于深度学习算法的图像识别技术的应用研究[D]. 周玉松.北京邮电大学 2017
[9]基于深度学习的图像识别应用研究[D]. 周凯龙.北京工业大学 2016
[10]卷积神经网络优化及其在图像识别中的应用[D]. 李媛媛.沈阳工业大学 2016
本文编号：3101082
【文章来源】：吉林农业大学吉林省
【文章页数】：48 页
【学位级别】：硕士
【部分图文】：
平菇图像
最终试验所需的数据集由两个样本集合组成，分别为正样本（600 个）和负样本（400 个），如图2.2 所示。可以看出实际截取后的样本数量大大多于采集到的图片数量，这是由于同一张图像中可能会有多簇互不重叠的平菇，背景部分的截取则具有更强的灵活性。从正、负样本中随机抽取 80%构建一个训练集，剩下的 20%样本作为测试集。正、负样本的数据集将用于神经网络识别模型的训练和测试，同时也是网络参数优化的数据来源。（1）正样本（2）负样本图 2.2 正、负样本示例Fig 2.2 Positive and negative examples2.3 平菇图像的预处理选取 50 幅符合条件的平菇图像作为验证试验的准备材料，将其转换为 BMP格式并调整分辨率为 800*600 像素，以图 2.1 为例，对这些图像进行预处理。2.3.1 灰度化图像处理的首要步骤对彩色图像进行灰度处理。选用合适的灰度化处理方法可以有效地突出图像中的目标部分，弱化其他与目标无关的部分，进而获悉研究目标最本质的特征。而灰度化处理的实质是利
菇和菌包颜色非常接近，两者的灰度分原始图像进行转换都无法完整的突出排除干扰法对采集到的蘑菇图像进行所有像素点排列成一个 800*600 的矩本身的颜色接近灰白色，其颜色特征短处理时间，优化系统时效性，选取单行研究即可满足试验要求。经分析可，从图像左侧边缘一直延伸到了右侧中 X 轴代表行数，Y 轴代表灰度叠加范围，就可以有效排除掉菌包部分的
【参考文献】：
期刊论文
[1]基于改进Otsu算法的生菜叶片图像分割方法[J]. 孙俊,宋佳,武小红,李玉婷. 江苏大学学报(自然科学版). 2018(02)
[2]基于卷积神经网络的田间多簇猕猴桃图像识别方法[J]. 傅隆生,冯亚利,Elkamil Tola,刘智豪,李瑞,崔永杰. 农业工程学报. 2018(02)
[3]中国食用菌工厂化栽培待克服的技术难点[J]. 木村荣一,王建兵. 食药用菌. 2018(01)
[4]基于卷积神经网络的小样本图像识别方法[J]. 段萌,王功鹏,牛常勇. 计算机工程与设计. 2018(01)
[5]基于中值滤波和直方图均衡化的图像增强方法研究[J]. 苗水清,张静,黄昌军. 无线互联科技. 2017(22)
[6]几种图像滤波处理方法比较[J]. 徐莉莉. 电脑知识与技术. 2017(31)
[7]基于PReLUs-Softplus非线性激励函数的卷积神经网络[J]. 郜丽鹏,郑辉. 沈阳工业大学学报. 2018(01)
[8]基于卷积神经网络的图像识别算法研究[J]. 张荣磊,田爱奎,谭浩,郑睿. 山东理工大学学报(自然科学版). 2018(01)
[9]基于BP神经网络的图像识别方法[J]. 高强. 电子世界. 2017(17)
[10]基于BP神经网络的图像识别应用[J]. 肖莹. 科技经济导刊. 2017(24)
博士论文
[1]图像特征提取方法及其应用研究[D]. 刘淑琴.西北大学 2016
硕士论文
[1]基于卷积神经网络的图像识别方法研究[D]. 宋月.东北石油大学 2017
[2]玉米大豆水稻图像识别方法研究[D]. 李妍.黑龙江八一农垦大学 2017
[3]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[4]基于卷积神经网络的图像处理与识别算法研究[D]. 满凤环.江南大学 2017
[5]基于深度卷积神经网络的人脸识别研究[D]. 杨子文.广西师范大学 2017
[6]边缘检测方法研究及应用[D]. 王章锋.天津工业大学 2017
[7]基于端到端深度卷积神经网络的人脸识别算法[D]. 陈华官.浙江大学 2017
[8]基于深度学习算法的图像识别技术的应用研究[D]. 周玉松.北京邮电大学 2017
[9]基于深度学习的图像识别应用研究[D]. 周凯龙.北京工业大学 2016
[10]卷积神经网络优化及其在图像识别中的应用[D]. 李媛媛.沈阳工业大学 2016
本文编号：3101082
本文链接：https://www.wllwen.com/nykjlw/yylw/3101082.html
最近更新
教材专著
