植物叶片光学表征与体积测量
发布时间：2020-12-13 20:04
植物叶片承担着光合作用的重任,也是植物的重要组成部分。通常而言,不同种类的植物叶片在形态、结构和组成成分上都会存在一定的差异,并且植物的叶片也会因为水分、光照以及营养元素等条件的改变而发生变化。当前农林业中,我们一般通过叶片的形状、颜色、纹理等来判断植物种类以及推断其当前的生长发育状态。随着光学检测技术的发展,通过研究各类植物叶片的光学表征能够帮助我们快速准确地对植物进行识别以及生长发育状态的判断,解决传统方法需要消耗大量人力物力以及时效性差等问题,为现代农林业自动化、精准化、数字化、信息化的发展提供了全新的平台。本文利用信息光学与计算机图像技术相结合的方法研究了不同生长状态下植物叶片的识别,光学信息处理下植物叶片的叶脉纹理提取以及基于双目立体视觉的植物叶片体积测量,论文的主要工作如下:第一,本文根据当前热门的深度学习技术,利用深度学习迁移原理,对Alexnet卷积神经网络进行了优化,并在此基础上充分联系生活应用中的实际情况,选取不同背景,不同生长发育状态下的植物叶片图像数据来进行深度学习,训练后的识别率能够到达86.25%。第二,本文根据叶片识别过程中叶脉纹理会对识别率造成影响这一思...
【文章来源】：浙江农林大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
深度神经网络示意图
图 2.2 卷积示意图Figure2.2 Convolution schematic图 2.2 是卷积的过程示意图，其中左图是一个大小为 6×6 的图像，总共含有元，我们利用一个大小为 4×4 的卷积核对它进行卷积，可以得到如右图所示处理后的特征图像，其大小由原来 6×6 变为 2×2，神经个数减少了 32 个，高了学习效率。行卷积之后图像会出现线性变换，我们利用函数Re ( )0xLU x 00ifxifx 来修元。从上述函数的表达式可以看出，该函数为线性分段函数，其中输入小于，输出结果均等于 0；当输入大于 0 值时，输出结果等于输入结果，这种处单侧抑制。我们利用这一原理可以使得神经网络中的神经元具备稀疏激活在深度神经网络模型（如卷积神经网络）中，随着神经网络模型层数的增eLU 函数的神经元激活效率会随之降低。因此运用 ReLU 函数进行稀疏处理可以更好地发掘图像的相关特征以及拟合训练数据。另外，ReLU 函数还具势：相较于线性函数，ReLU 函数的表达功能更强，在深度神经网络中表现
图 2.3 池化示意图Figure 2.3 Pooling schemes深度学习的叶片识别ab 深度学习模块的其中一个特点是可以进行迁移学习[61-63]，即在已经训深度神经网络模型上适当改变并加载自己需要的数据进行深度学习，这下优点：，可以在计算机配置不足的情况下进行图像识别训练，明显提高计算机运行效率。，可以避免重新开始训练，即在原先训练的基础上进一步细化深入训取所需训练目标的特征。例如当你已经有了一个可以准确分辨猫和狗的时，你可以直接跳过辨别猫与狗的识别训练，在该神经网络的基础上修层神经网络即可用来分辨狗的品种。度学习神经网络的构造学习神经网络种类繁多，主要有 VGG、GoogLeNet、PReLU-net、BN-inc
【参考文献】：
期刊论文
[1]基于无人机倾斜航空影像的树冠体积测算方法[J]. 于东海,冯仲科. 农业工程学报. 2019(01)
[2]双目立体视觉的研究现状及进展[J]. 黄鹏程,江剑宇,杨波. 光学仪器. 2018(04)
[3]双目视觉立体匹配技术研究现状和展望[J]. 林森,殷新勇,唐延东. 科学技术与工程. 2017(30)
[4]基于近红外光谱技术的成年橡胶树叶片氮素含量检测[J]. 蒋灿辰,唐荣年. 安徽农业大学学报. 2017(03)
[5]基于反射光谱指数的锐齿栎叶片色素含量估算[J]. 刘畅,孙鹏森,刘世荣. 林业科学研究. 2017(01)
[6]试卷识别中的手写体识别[J]. 王倩文,崔山领,徐靖. 电子世界. 2016(21)
[7]基于反射光谱探测与二维分析的玉米叶片叶绿素诊断[J]. 程萌,陈香,毛博慧,孙红,李民赞,杨玮. 农业机械学报. 2016(S1)
[8]基于计算机视觉的自动驾驶算法研究综述[J]. 张贵英,向函,赵勇. 贵州师范学院学报. 2016(06)
[9]基于光谱反射特征的草莓叶片含水率模型[J]. 李珺,宋文龙. 东北林业大学学报. 2016(01)
[10]基于全变分去噪和八方向sobel算子的叶脉提取算法[J]. 田甜,刘强,尹仕威,王立地. 浙江农业学报. 2015(04)
硕士论文
[1]基于双目视觉的运动目标检测与三维测量[D]. 孙亚芹.西南大学 2015
本文编号：2915105
【文章来源】：浙江农林大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
深度神经网络示意图
图 2.2 卷积示意图Figure2.2 Convolution schematic图 2.2 是卷积的过程示意图，其中左图是一个大小为 6×6 的图像，总共含有元，我们利用一个大小为 4×4 的卷积核对它进行卷积，可以得到如右图所示处理后的特征图像，其大小由原来 6×6 变为 2×2，神经个数减少了 32 个，高了学习效率。行卷积之后图像会出现线性变换，我们利用函数Re ( )0xLU x 00ifxifx 来修元。从上述函数的表达式可以看出，该函数为线性分段函数，其中输入小于，输出结果均等于 0；当输入大于 0 值时，输出结果等于输入结果，这种处单侧抑制。我们利用这一原理可以使得神经网络中的神经元具备稀疏激活在深度神经网络模型（如卷积神经网络）中，随着神经网络模型层数的增eLU 函数的神经元激活效率会随之降低。因此运用 ReLU 函数进行稀疏处理可以更好地发掘图像的相关特征以及拟合训练数据。另外，ReLU 函数还具势：相较于线性函数，ReLU 函数的表达功能更强，在深度神经网络中表现
图 2.3 池化示意图Figure 2.3 Pooling schemes深度学习的叶片识别ab 深度学习模块的其中一个特点是可以进行迁移学习[61-63]，即在已经训深度神经网络模型上适当改变并加载自己需要的数据进行深度学习，这下优点：，可以在计算机配置不足的情况下进行图像识别训练，明显提高计算机运行效率。，可以避免重新开始训练，即在原先训练的基础上进一步细化深入训取所需训练目标的特征。例如当你已经有了一个可以准确分辨猫和狗的时，你可以直接跳过辨别猫与狗的识别训练，在该神经网络的基础上修层神经网络即可用来分辨狗的品种。度学习神经网络的构造学习神经网络种类繁多，主要有 VGG、GoogLeNet、PReLU-net、BN-inc
【参考文献】：
期刊论文
[1]基于无人机倾斜航空影像的树冠体积测算方法[J]. 于东海,冯仲科. 农业工程学报. 2019(01)
[2]双目立体视觉的研究现状及进展[J]. 黄鹏程,江剑宇,杨波. 光学仪器. 2018(04)
[3]双目视觉立体匹配技术研究现状和展望[J]. 林森,殷新勇,唐延东. 科学技术与工程. 2017(30)
[4]基于近红外光谱技术的成年橡胶树叶片氮素含量检测[J]. 蒋灿辰,唐荣年. 安徽农业大学学报. 2017(03)
[5]基于反射光谱指数的锐齿栎叶片色素含量估算[J]. 刘畅,孙鹏森,刘世荣. 林业科学研究. 2017(01)
[6]试卷识别中的手写体识别[J]. 王倩文,崔山领,徐靖. 电子世界. 2016(21)
[7]基于反射光谱探测与二维分析的玉米叶片叶绿素诊断[J]. 程萌,陈香,毛博慧,孙红,李民赞,杨玮. 农业机械学报. 2016(S1)
[8]基于计算机视觉的自动驾驶算法研究综述[J]. 张贵英,向函,赵勇. 贵州师范学院学报. 2016(06)
[9]基于光谱反射特征的草莓叶片含水率模型[J]. 李珺,宋文龙. 东北林业大学学报. 2016(01)
[10]基于全变分去噪和八方向sobel算子的叶脉提取算法[J]. 田甜,刘强,尹仕威,王立地. 浙江农业学报. 2015(04)
硕士论文
[1]基于双目视觉的运动目标检测与三维测量[D]. 孙亚芹.西南大学 2015
本文编号：2915105
本文链接：https://www.wllwen.com/projectlw/swxlw/2915105.html
教材专著
