基于机器学习的作物病害图像处理及病变识别方法研究

发布时间：2017-12-16 23:23

  本文关键词：基于机器学习的作物病害图像处理及病变识别方法研究

  更多相关文章： 深度学习 病害图像识别 特征提取 受限玻尔兹曼机网络 卷积网络

【摘要】：农业是一个复杂的生命系统,具有典型的生态区域性和生理过程复杂性。信息技术是推动社会经济变革的重要力量,加速农业信息化发展成为了世界各国的共同选择。我国是个农业大国,对农业信息化技术与科学有着巨大需求。目前,大部分农业设备或者终端只能采集图像,缺乏加工功能,无法提取有指导农业生产管理的有用信息。对农业物联网终端的图像信息实现智能分析、处理、识别,使得系统能做出和智能生命体类似的响应,已经成为设备摆脱“视而不见”困局的首要任务。长势图像直观地、形象地表达了作物生长、发育、健康状况、受害程度,病因等方方面面的信息。让支持视频感知的农业智能系统近似正确地识别、解读农学信息,实时地、科学地、自动地指导农技措施,对于实施“智慧农业”有着积极意义。本文围绕面向不均匀样本集的惩罚校正SVN分类方法、作物病害图像的病变识别预处理、病变模式识别的数值分析特征提取及SVN识别、病变图像模式半监督深度学习特征提取及识别、病变图像模式监督深度学习特征提取和一体化识别5个方面的内容展开了深入研究。拓展了机器学习理论及其应用范畴,构造了基于机器学习的作物病变图像识别的数据结构和算法范形。最后,将提出的理论和设计方法应用于工厂化果园生产场景采集的苹果病害图像识别并进行算法级别实验验证,为面向深度学习作物病害图像识别的农业智能系统产品开发设计提供了不菲的参考价值。论文主要研究成果和创新点如下:1.提出了惩罚校正的支持向量分类算法和校正方法。以SVN为基础,探讨惩罚支持向量机处理不平衡样本时,在不同目标尤其是样本稀疏目标的学习错误率上呈现的显著性差异,提出惩罚校正的支持向量分类算法和校正方法。在小麦籽种图像特征数据上开展实验分析,稀疏样本目标的准确率显著提高,整体分类性也得到明显改善,具备显著有效性和通用性。2.设计了病害图像识别方位亮度多样性仿真方法。同广泛使用的基准数据集相比,农场果园视频感知设备采集环境复杂,充满着多种干扰,定点、移动方式都难以保证在受限条件和有限次数采样下,采集到代表性图像在各状态下分布均匀的样本集。在训练测试之前,需要消除噪声,规格化样本大小等一系列操作的预处理过程。以苹果为例,设计病害图像预处理标准过程和方法:整形算法、方位多样性仿真、亮度多样性仿真、稀疏化方法。同时,在主成分分析数学过程剖析的基础上,提出特征值溢界丢弃的PCA降维。阈值为95%时,该方法表现出较好的重构性能;在ORL基准数据集展开泛化实验,准确率三维曲面说明,溢界丢弃的PCA降维能实现样本的有效特征化;结合支持向量机构造病变模式的识别方法,算法表现出令人乐观的实验性能。3.提出随机反馈深度受限玻尔兹曼机半监督学习的病害图像特征提取。在分析受限玻尔兹曼机能量模型数学逻辑的基础上,提出病害图像模式半监督深度学习特征提取,该算法的重构效果较PCA算法有明显改进。针对RBM网络的粗造学习过程,在k阶对比散度方法的基础上提出基于随机反馈的对比散度方法。kCD的目标函数趋近对比实验显示:该算法的收敛时间较长,但是,收敛之后的目标函数曲线,具备更好稳定性,更高最优目标值,更加有利于系统性能的稳定。4.提出弹性动量深度卷积病变图像特征提取识别网络一体化方法。基于卷积运算提出深度卷积网络的果体病变图像识别方法,设计网络结构及其面向卷积的误差BP传递算法,提出弹性冲量的权值更新机制,构造线性弹性动量和二次弹性动量方法。该方法通过一体化的学习网络,融合特征提取和模式识别,共享学习机制完成对识别部件和特征提取部件的协同训练,解决了“过程和目标”失配的问题,收敛曲线反映出该方法有较快的收敛速度;二次弹性动量和线性弹性动量相比于经典动量梯度下降、自适应动量方法,收敛周期呈现较大幅度的提前。
【学位授予单位】：北京工业大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP391.41;TP181

【相似文献】

中国期刊全文数据库 前10条

1 马少华,高峰,李敏,吴成东;神经网络分类器的特征提取和优选[J];基础自动化;2000年06期

2 管聪慧,宣国荣;多类问题中的特征提取[J];计算机工程;2002年01期

3 胡威;李建华;陈波;;入侵检测建模过程中特征提取最优化评估[J];计算机工程;2006年12期

4 朱玉莲;陈松灿;赵国安;;推广的矩阵模式特征提取方法及其在人脸识别中的应用[J];小型微型计算机系统;2007年04期

5 赵振勇;王保华;王力;崔磊;;人脸图像的特征提取[J];计算机技术与发展;2007年05期

6 冯海亮;王丽;李见为;;一种新的用于人脸识别的特征提取方法[J];计算机科学;2009年06期

7 朱笑荣;杨德运;;基于入侵检测的特征提取方法[J];计算机应用与软件;2010年06期

8 王菲;白洁;;一种基于非线性特征提取的被动声纳目标识别方法研究[J];软件导刊;2010年05期

9 陈伟;瞿晓;葛丁飞;;主观引导特征提取法在光谱识别中的应用[J];科技通报;2011年04期

10 王华,李介谷;人脸斜视图象的特征提取与恢复[J];上海交通大学学报;1997年01期

中国重要会议论文全文数据库 前10条

1 尚修刚;蒋慰孙;;模糊特征提取新算法[A];1997中国控制与决策学术年会论文集[C];1997年

2 潘荣江;孟祥旭;杨承磊;王锐;;旋转体的几何特征提取方法[A];第一届建立和谐人机环境联合学术会议（HHME2005）论文集[C];2005年

3 薛燕;李建良;朱学芳;;人脸识别中特征提取的一种改进方法[A];第十三届全国图象图形学学术会议论文集[C];2006年

4 杜栓平;曹正良;;时间—频率域特征提取及其应用[A];2005年全国水声学学术会议论文集[C];2005年

5 黄先锋;韩传久;陈旭;周剑军;;运动目标的分割与特征提取[A];全国第二届信号处理与应用学术会议专刊[C];2008年

6 魏明果;;方言比较的特征提取与矩阵分析[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

7 林土胜;赖声礼;;视网膜血管特征提取的拆支跟踪法[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 秦建玲;李军;;基于核的主成分分析的特征提取方法与样本筛选[A];2005年中国机械工程学会年会论文集[C];2005年

9 刘红;陈光，

本文编号：1297875