基于深度学习的葡萄叶片分割
发布时间：2021-12-09 01:12
葡萄在自然条件下生长,由于受天气复杂变化和光照照度不均的影响,会导致葡萄叶片图像前景与背景的对比度不强,叶片图像纹理模糊、色差较大等的缺陷。同时,在上述的条件下,叶片中有些会出现病害,这样对于如何分割其中有病害与正常的叶片,采用传统的图像分割算法尚不能解决这类问题。本文以两种深度学习的神经网络算法作为核心,分别实现葡萄叶片图像的前景/背景分割与个例分割,对各种成像条件和背景的叶片图像分割效果较好。为了解决不同光照和复杂背景下对正常和病害葡萄叶片图像的前景/背景自动分割,使用了一种全卷积网络（Fully Convolutional Networks）的葡萄叶片图像的自动分割算法。该方法在结构上将传统的卷积神经网络（Convolutional Neural Networks）后三个全连接层换成三个卷积层。通过多层的卷积,对输入葡萄叶片图像的特征进行提取;通过池化层对特征信息进行筛选,缩减特征尺寸,以达到减少网络参数的目的。再通过反卷积对特征上采样,从高维、小尺寸特征恢复到图像原始尺寸,对具有原始尺寸的特征进行逐像素分类,确定原图像中每个像素位置的标签是背景还是前景。但只经过上采样处理后的分...
【文章来源】：甘肃农业大学甘肃省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图像采集设备表2-1CanonEos1200D相关规格参数说明
d 晴天有遮挡叶片 e 阴天有遮挡叶片 f 阴影有遮挡叶片图2.2 自然条件下6张正常葡萄叶片的原始图像图2.3 自然条件下4张病害葡萄叶片的原始图像2.3 数据集的制作2.3.1 全卷积网络的数据集制作全卷积网络的训练集来自 VOC2007 的数据集格式，对于正常叶片的训练，其中单叶片 400 张，多叶片 600 张，单叶片的训练集与测试集分别是 320 和 80；多叶片的训练集与测试集分别是 500 与 100；对于病害叶片的训练，分为有病害的单叶片和多叶片。其中单叶片为 200 张，多叶片为 300 张。训练集单叶片与多叶片数量分别是 180 与 250，测试集的数量则是 20 与 50。该训练集的数据集主要有三个部分构成，分别是 cls、img 与一个 train.txt。cls 文件夹中放的是训练集的索引图
图 2.4 索引图的制作过程实例经过全卷积网络分割出来的葡萄叶片图像，是以索引图形式的二值化图像该图像最直观的效果展示就是分割出的叶片只具有轮廓感，当分割的是多叶片
【参考文献】：
期刊论文
[1]非受限条件下多级残差网络人脸图像年龄估计[J]. 张珂,高策,郭丽茹,苑津莎,赵振兵,李保罡. 计算机辅助设计与图形学学报. 2018(02)
[2]基于CNN深度学习模型的交通图像拥堵识别[J]. 崔华,刘云飞,宋鑫鑫,李盼侬. 科技创新与应用. 2018(04)
[3]基于跨连接LeNet-5网络的面部表情识别[J]. 李勇,林小竹,蒋梦莹. 自动化学报. 2018(01)
[4]基于Caffe网络模型的Faster R-CNN算法推理过程的解析[J]. 郭叶军,汪敬华. 现代计算机(专业版). 2018(01)
[5]基于FasterR-CNN的人脸检测方法[J]. 董兰芳,张军挺. 计算机系统应用. 2017(12)
[6]基于多任务Faster R-CNN车辆假牌套牌的检测方法[J]. 陈朋,汤一平,何霞,王辉,袁公萍. 仪器仪表学报. 2017(12)
[7]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[8]机器视觉技术在现代农业装备领域的应用进展[J]. 周航,杜志龙,武占元,宋程,郭楠,林亚玲. 中国农机化学报. 2017(11)
[9]一种改进的葡萄叶片自动分割算法[J]. 赵金阳,冯全,王书志,张芮. 中国农业大学学报. 2017(11)
[10]基于机器视觉的设施农业害虫监测技术研究进展与展望[J]. 陈梅香,刘蒙蒙,赵丽,温冬梅,李文勇,柳瑞,李明. 农业工程技术. 2017(31)
博士论文
[1]灰度图像阈值分割的自适应和快速算法研究[D]. 阳树洪.重庆大学 2014
[2]猕猴桃、柿和苹果果实的抗氧化能力及其抗氧化活性成分的分析[D]. 杜国荣.西北农林科技大学 2009
硕士论文
[1]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
[2]自然光照下葡萄叶片图像的颜色恢复与阴影检测[D]. 赵玉琴.甘肃农业大学 2016
[3]无监督特征学习结合神经网络应用于图像识别[D]. 敖道敢.华南理工大学 2014
[4]基于图像处理的玉米叶部病害识别研究[D]. 李丽君.四川农业大学 2014
[5]模糊边界特性的灰度图像分割算法研究[D]. 刘军.广东工业大学 2011
[6]采用基于区域的自动种子区域生长法的彩色图像分割方法[D]. 王佳男.东北师范大学 2007
本文编号：3529614
【文章来源】：甘肃农业大学甘肃省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图像采集设备表2-1CanonEos1200D相关规格参数说明
d 晴天有遮挡叶片 e 阴天有遮挡叶片 f 阴影有遮挡叶片图2.2 自然条件下6张正常葡萄叶片的原始图像图2.3 自然条件下4张病害葡萄叶片的原始图像2.3 数据集的制作2.3.1 全卷积网络的数据集制作全卷积网络的训练集来自 VOC2007 的数据集格式，对于正常叶片的训练，其中单叶片 400 张，多叶片 600 张，单叶片的训练集与测试集分别是 320 和 80；多叶片的训练集与测试集分别是 500 与 100；对于病害叶片的训练，分为有病害的单叶片和多叶片。其中单叶片为 200 张，多叶片为 300 张。训练集单叶片与多叶片数量分别是 180 与 250，测试集的数量则是 20 与 50。该训练集的数据集主要有三个部分构成，分别是 cls、img 与一个 train.txt。cls 文件夹中放的是训练集的索引图
图 2.4 索引图的制作过程实例经过全卷积网络分割出来的葡萄叶片图像，是以索引图形式的二值化图像该图像最直观的效果展示就是分割出的叶片只具有轮廓感，当分割的是多叶片
【参考文献】：
期刊论文
[1]非受限条件下多级残差网络人脸图像年龄估计[J]. 张珂,高策,郭丽茹,苑津莎,赵振兵,李保罡. 计算机辅助设计与图形学学报. 2018(02)
[2]基于CNN深度学习模型的交通图像拥堵识别[J]. 崔华,刘云飞,宋鑫鑫,李盼侬. 科技创新与应用. 2018(04)
[3]基于跨连接LeNet-5网络的面部表情识别[J]. 李勇,林小竹,蒋梦莹. 自动化学报. 2018(01)
[4]基于Caffe网络模型的Faster R-CNN算法推理过程的解析[J]. 郭叶军,汪敬华. 现代计算机(专业版). 2018(01)
[5]基于FasterR-CNN的人脸检测方法[J]. 董兰芳,张军挺. 计算机系统应用. 2017(12)
[6]基于多任务Faster R-CNN车辆假牌套牌的检测方法[J]. 陈朋,汤一平,何霞,王辉,袁公萍. 仪器仪表学报. 2017(12)
[7]基于深度学习的目标检测算法综述[J]. 周晓彦,王珂,李凌燕. 电子测量技术. 2017(11)
[8]机器视觉技术在现代农业装备领域的应用进展[J]. 周航,杜志龙,武占元,宋程,郭楠,林亚玲. 中国农机化学报. 2017(11)
[9]一种改进的葡萄叶片自动分割算法[J]. 赵金阳,冯全,王书志,张芮. 中国农业大学学报. 2017(11)
[10]基于机器视觉的设施农业害虫监测技术研究进展与展望[J]. 陈梅香,刘蒙蒙,赵丽,温冬梅,李文勇,柳瑞,李明. 农业工程技术. 2017(31)
博士论文
[1]灰度图像阈值分割的自适应和快速算法研究[D]. 阳树洪.重庆大学 2014
[2]猕猴桃、柿和苹果果实的抗氧化能力及其抗氧化活性成分的分析[D]. 杜国荣.西北农林科技大学 2009
硕士论文
[1]基于卷积神经网络图像分类优化算法的研究与验证[D]. 石琪.北京交通大学 2017
[2]自然光照下葡萄叶片图像的颜色恢复与阴影检测[D]. 赵玉琴.甘肃农业大学 2016
[3]无监督特征学习结合神经网络应用于图像识别[D]. 敖道敢.华南理工大学 2014
[4]基于图像处理的玉米叶部病害识别研究[D]. 李丽君.四川农业大学 2014
[5]模糊边界特性的灰度图像分割算法研究[D]. 刘军.广东工业大学 2011
[6]采用基于区域的自动种子区域生长法的彩色图像分割方法[D]. 王佳男.东北师范大学 2007
本文编号：3529614
本文链接：https://www.wllwen.com/nykjlw/yylw/3529614.html
最近更新
教材专著
