基于卷积神经网络的棉花叶部病虫害自动识别研究

发布时间：2020-11-09 03:47

　　 我国既是棉花生产大国又棉花消费大国,棉花产量关系着国计民生,而棉花整个生长周期受到多种病虫害的侵袭,严重影响其产量,因此能快速准确的识别出棉花病虫害的种类并给予及时准确防治对于避免病害进一步扩散进而提高棉花产量至关重要。由于传统的棉花病虫害检测依靠植物保护专家或者经验丰富的农人,费时费力且对于人眼较难观察的微小病变识别准确率低,另外,传统的检测方法需要复杂的人工特征分割与提取,增加了人工成本,且计算复杂度高也造成识别效果不理想。鉴于此,本文将卷积神经网络(convolutional neural network,CNN)算法用于棉花叶部病虫害图像自动识别研究中。本文在CNN算法的基础上,以棉花的枯萎病,黄萎病,棉铃疫病,褐斑病,角斑病,棉叶螨为研究对象展开研究。针对棉花病虫害图像数据集较小容易产生过拟合的问题,引入了迁移学习算法辅以数据增强技术以解决该问题,最后开发了一款APP用于棉花病虫害自动检测。主要研究内容如下:(1)针对本研究搜集的数据,设计了6种不同卷积深度的CNN模型以完成棉花病虫害图像特征的自动提取,并采用Softmax分类器实现病虫害类型的识别,探究了适合本棉花病虫害数据集的深度网络模型。对比了传统的支持向量机(support vector machine,SVM)方法和BP(back propagation,BP)神经网络方法的实验效果。(2)仿照AlexNet模型搭建了5个卷积层和2个全连接层和1个Softmax分类层的网络结构,使用该模型对棉花叶部6种病虫害进行分类研究。本部分实验分两部分,第一部分利用PlantVillage大数据集在搭建的模型上学习来得到预训练模型作为特征提取器并保存模型,然后利用模型迁移、微调参数的迁移学习方式在原始棉花病害数据集上训练我们的模型;第二部分使用数据增强技术对原始棉花病害数据集进行扩充得到的新的数据集,然后用新数据集代替原始数据集重复第一部分实验,得到最终的模型。综合对比了支持SVM和BP神经网络方法以及深度卷积神经网络模型(VGG-19和Google Inception v2)的实验效果。(3)本文将研究的最终模型迁移到Android设备上制作一款APP,以实现棉花叶部病虫害的识别。
【学位单位】：山东农业大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：S435.621;TP391.41;TP18
【部分图文】：

基于卷积神经网络的棉花叶部病虫害自动识别研究10图2-1CNN卷积层局部连接Fig.2-1CNNvolumelayerlocalconnection卷积层的另一大特征是权值共享，对于CNN的同一个卷积层的所有神经元共同使用同一个卷积核的权值（刘小明，2018），这种方式减少了参数数量，加快了网络的训练速度。比如一个3×3大小的卷积核，共9个参数，它会和输入图片的不同区域作卷积，来检测相同的特征，而只有不同的卷积核才会对应不同的权值参数，来检测不同的特征。如图2-2所示，通过权值共享和局部连接的方法，这里一共只有3个不同的权值，如果只用了局部连接的方法，共需要3*4=12个权值参数，权值共享进一步减少了参数数量。图2-2CNN卷积层权值共享Fig.2-2CNNvolumelayerweightsharing2.2卷积神经网络结构介绍常见的卷积神经网络结构一般由输入层、卷积层、激活层、池化层、全连接层组成，常见的CNN结构如图2-3所示，卷积神经网络的低隐层是由卷积层和池化层交替组成（激活层紧跟在卷积层后面，一般不画出），高层由全连接层（传统多层感知器）的隐含层和逻辑回归分类器（输出层）组成（郭吉政，2015）。网络模型采用梯度下降算法最小化代价函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。

基于卷积神经网络的棉花叶部病虫害自动识别研究10图2-1CNN卷积层局部连接Fig.2-1CNNvolumelayerlocalconnection卷积层的另一大特征是权值共享，对于CNN的同一个卷积层的所有神经元共同使用同一个卷积核的权值（刘小明，2018），这种方式减少了参数数量，加快了网络的训练速度。比如一个3×3大小的卷积核，共9个参数，它会和输入图片的不同区域作卷积，来检测相同的特征，而只有不同的卷积核才会对应不同的权值参数，来检测不同的特征。如图2-2所示，通过权值共享和局部连接的方法，这里一共只有3个不同的权值，如果只用了局部连接的方法，共需要3*4=12个权值参数，权值共享进一步减少了参数数量。图2-2CNN卷积层权值共享Fig.2-2CNNvolumelayerweightsharing2.2卷积神经网络结构介绍常见的卷积神经网络结构一般由输入层、卷积层、激活层、池化层、全连接层组成，常见的CNN结构如图2-3所示，卷积神经网络的低隐层是由卷积层和池化层交替组成（激活层紧跟在卷积层后面，一般不画出），高层由全连接层（传统多层感知器）的隐含层和逻辑回归分类器（输出层）组成（郭吉政，2015）。网络模型采用梯度下降算法最小化代价函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。

常见的CNN结构
【相似文献】

相关期刊论文 前10条

1 林清玄;;你心柔软,却有力量[J];人生与伴侣(上半月版);2017年02期

2 刘淑兰,陈俊花,张永林,郑江生;几种棉花叶面肥增产效果对比试验[J];石河子科技;2001年03期

3 陈志英 ,罗磊;棉花叶面肥的使用[J];石河子科技;2001年06期

4 何洪智;;猪的好饲料——棉花叶[J];四川农业科技;1988年05期

5 ;棉花叶是喂猪的好饲料[J];陕西农业科技;1971年09期

6 ;棉花叶的饲用[J];饲料研究;1982年01期

7 吴琳;王修贵;周复雄;莫春华;;一种棉花叶面积预测的简单方法[J];湖北农业科学;2009年06期

8 王艳姿;棉花叶面喷施“活力素”效果试验示范小结[J];石河子科技;1998年02期

9 ;棉花叶可作牲畜饲料[J];河南农业;2001年06期

10 肖太山,王淑春;多种棉花叶面肥试验小结[J];石河子科技;2001年02期

相关博士学位论文 前10条

1 连自锋;基于深层神经网络的图像识别算法研究[D];北京邮电大学;2017年

2 余绍德;卷积神经网络和迁移学习在癌症影像分析中的研究[D];中国科学院大学(中国科学院深圳先进技术研究院);2018年

3 肖理业;基于机器学习的电磁场建模与设计研究[D];电子科技大学;2019年

4 陈涵瀛;核电站热工水力系统工况预测与诊断方法研究[D];哈尔滨工程大学;2018年

5 梁智杰;聋哑人手语识别关键技术研究[D];华中师范大学;2019年

6 刘昂;微结构硅基光子学器件性能的研究[D];南京大学;2019年

7 赵博雅;基于卷积神经网络的硬件加速器设计及实现研究[D];哈尔滨工业大学;2018年

8 杜昌顺;面向细分领域的舆情情感分析关键技术研究[D];北京交通大学;2019年

9 陈科海;机器翻译上下文表示方法研究[D];哈尔滨工业大学;2019年

10 饶红霞;信息受限下神经网络的状态估计和拟同步研究[D];广东工业大学;2019年

相关硕士学位论文 前10条

1 侯发东;基于卷积神经网络的棉花叶部病虫害自动识别研究[D];山东农业大学;2020年

2 宋月;基于卷积神经网络的图像识别方法研究[D];东北石油大学;2017年

3 景辉芳;深度神经网络的研究及其在植物叶片图像识别中的应用[D];南昌航空大学;2016年

4 张荣磊;基于卷积神经网络的图像识别算法研究[D];山东理工大学;2017年

5 姜新猛;基于TensorFlow的卷积神经网络的应用研究[D];华中师范大学;2017年

6 邓秋香;神经网络串并联学习算法在B超图像识别中的应用[D];武汉理工大学;2008年

7 张智霞;基于量子协同神经网络的图像识别[D];西安电子科技大学;2010年

8 石乾磊;基于卷积神经网络的图片数字识别系统设计与实现[D];河南大学;2017年

9 许可;卷积神经网络在图像识别上的应用的研究[D];浙江大学;2012年

10 代光海;基于神经网络的运动想象脑电信号识别技术研究[D];电子科技大学;2020年

本文编号：2875834