基于非负矩阵分解的农作物叶部病害识别

发布时间：2020-12-19 00:14

　　农业是中国经济的基础支撑产业,在人类的生活中具有非常重要的地位,单位面积内农作物的生产产量高低与人们的生活息息相关。随着农业经济的快速发展,传统的病害分类和识别方法已经无法有效解决大量的病害问题,智能化的病害分类和识别方法显得越来越重要。随着互联网时代的快速发展,人们可以轻易的采集到病害图片。然而在采集过程中,由于天气原因、传感器损坏或人为因素,致使采集的病害数据集出现高斯噪声、椒盐噪声或块遮挡等异常情况。本文基于非负矩阵分解和卷积神经网络理论来研究含有噪声的病害数据和病害等级分类问题。非负矩阵分解主要用于提取农作物叶部病害数据的特征,卷积神经网络对提取后的特征进行处理和识别。具体研究内容包括:(1)在曼哈顿矩阵分解框架基础上,本文提出了权重曼哈顿非负矩阵分解方法来(WNMF)减弱噪声对特征空间的影响。WNMF既能修复被噪声污染的病害数据,又能用修复的数据来学习更加鲁棒的特征表示。(2)在稀疏编码框架基础上,本文提出了基于稀疏非负矩阵分解的特征提取方法,使得特征空间具有稀疏性和鲁棒性。(3)结合非负矩阵分解理论以及卷积神经网络相关理论,设计出建立在卷积神经网络算法上的病害识别模型,该算... 

【文章来源】：重庆三峡学院重庆市

【文章页数】：47 页

【学位级别】：硕士

【部分图文】：

卷积核的计算过程

关键技术概述9一半，输出的长度变成了2*2。图2.2池化层操作示意图2.2.3激活函数（ActivationFunction）除CNN的输入层外，其他每层都能够使用一种激活函数接受到输入与权重的乘积之和。在某些线性运用表达能力不足时，CNN会通过非线性映射的手段和方式来激活函数，用来筛选从网络中获得的特征。常用的激活函数大致能够区分为(饱和非线性函数(Tanh,Sigmoid)和不饱和非线性函数(ReLU)，在现实生活运用中，Sigmoid和Tanh函数一般会在全连接层被用到，而ReLU函数则被卷积层采用。下面用列表形式介绍其定义及图像，如表2.1所示。表2.1常用激活函数（ActivationFunction）函数函数表达式函数曲线图饱和非线性函数Sigmoid函数xexf11)(Tanh函数xxeexf221-1)(不饱和非ReLu函数0,00,)(xxxxf

关键技术概述11]log}{1[1)(111)()()(mikjkjxxiiTjiTjeejymJ式(2-7)函数中的.1是真假性函数，是指如果其中的内容为真，取值为1，反之则取值为0。2.2.5随机失活技术（Dropout）为了解决随着神经网络层数的持续增多、网络模型规模不断的增大而造成的临训练时间过长和可能过拟合的现象，那么就需要通过Dropout层。在实践过程中Dropout层发挥了很好的作用，这是因为在网络的计算过程中会对神经元的一些特性进行阻止，来有效的避免网络过度拟合，同时也增加了网络的适应能力。Dropout所具有的核心思想[19]是在训练过程中随机遗弃掉网络中某些隐藏层的神经元模型，因为该节点可能会在下一次网络训练过程中被重新更新使用。下面介绍Dropout技术的过程，如图2.3所示：图2.3随机失活（Dropout）示意图详细的过程如下：在随意“遗弃”某些神经元之后会继续用BP算法来对“遗弃”之后的神经元网络的权重参数进行更新。在对下一批样本进行输入时，再随机在原始神经网络的基础上“遗弃”一部分的神经元，和之前“遗弃”是不一样的，后面的训练过程中仍利用BP的反向传播算法更新权重。操作时，那些被“遗弃”的神经元还是随机的，通过对神经元随机的“遗弃”它们之间的相互依赖关系就能降低，就能获取到有用的图像特征。我们在训练差异样本的情形下运用到Dropout，本质上就是因为训练神经网络的结构是具有差异性的。而Dropout能在规定的时间内将许多个结构不同的网络训练出来，是因为权值一致的原因。我们在运用Dropout进行处理后，发


本文编号：2924872