基于卷积神经网络的番茄病害检测研究
发布时间：2020-12-24 15:51
番茄,种植面积广且栽培效益高,是我国的重要经济作物,在农业蔬菜生产和蔬菜贸易中占有非常重要的地位,而病害是制约其产量和质量的一个重要因素。传统的番茄病害识别一般采用人工识别方法,但人工病害识别难以满足番茄在现代农业发展中的高效生产要求。番茄病害的症状通常表现在番茄叶片上,番茄患病叶片会在颜色、纹理和形状等方面呈现不同程度的异常,而不同类型的患病叶片又会具有不同的外部特征,所以对番茄叶片特征的准确分析,有助于及时掌握番茄在种植过程中的健康状况,是实现病害实时监测与防治的前提。对于番茄果实,生理性病害则是重要的影响因素。患生理性病害的番茄果实会表现出明显的外部特征,而外部特征恰恰是评价果实品质的重要指标。因此,加强番茄叶部病害和番茄果实生理性病害的有效、自动检测是促进番茄生长监测和病害治理,加强番茄果实质量管理和自动筛选的有效措施。随着深度学习概念的产生,其代表算法——卷积神经网络在二十一世纪后得到了快速发展,并在图像识别和目标检测领域应用广泛。卷积神经网络作为一种高性能图像识别技术,为番茄病害的准确识别与检测提供了新的思路。然而,现有的基于卷积神经网络的番茄病害检测研究大多使用的是基于候...
【文章来源】：山东师范大学山东省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
论文研究框架图
山东师范大学硕士学位论文9全连接网络输出基于输入数据的条件概率分布。2.1.2卷积神经网络基本结构卷积神经网络的典型结构如图2-1所示，其基本组成包括输入层、卷积层（cliallae）、池化层（liglae）、全连接层（fll-cecedlae）和输出层，其中，卷积层和池化层一般有多个，呈现一个卷积层后接一个池化层，该池化层再后接一个卷积层，而后二者依次交替连接的状态。图2-1卷积神经网络典型结构（1）卷积层原始图像0作为网络输入由输入层进入卷积层，卷积层的作用在于学习网络输入的特征表示。卷积层通过卷积操作提取输入的各种特征，低层的卷积层提取如边缘、线条等的低级特征信息，着卷积层的堆叠，更儈层的卷积层将逐步提取更儈级别的特征信息。卷积层由多个特征图组成，每个特征图包含多个神经元，每一个神经元通过一种权值矩——卷积核，与上一层特征图的局区域相连。卷积核在二维状态下可为33、55等形式的矩。用表示第层卷积神经网络的特征图（0），则卷积层的产生过程可以表述为：1（2-1）其中，运算符号“”表示卷积核与第1层卷积层的特征图进行卷积操作，表示第层卷积核的权值向，表示第层的偏移向，卷积的输出与相加，通过线性映射函数得到。线性映射函数，又称激活函数，其模拟生物神经元的特性，在卷积神经网络的神经元上运行，将神经元的输入从输入端映射到输出端，实现多层网络对线性特征
山东师范大学硕士学位论文11（3）用亴先训练好的分类器进行区域分类。图2-2传统目标检测过程2.2.1候区域择在给定一张待检测图像的情况下，目标检测过程俆先对这张图像进行候选区域选择。候选区域选择，即对图像中可能包含待检测目标的区域进行选择。由于在待检测图像中，待检测目标可能以各种尺寸、比例出现在任何位置，所以传统的目标检测方法一般用多尺度滑动窗口的方法来提取候选区域、标记候选框，但此方法也存在弊端，滑动窗口在提取所有可能的候选区域的同时，会提升检测过程的时复杂度，产生大冗余窗口，进而增加计算成本，在一定程度上影响目标定位。2.2.2特征提取在选定了候选区域之后，目标检测过程将对每个区域中的局信息进行特征提取，提取的特征包括直线特征、多边形特征、椭圆特征等。作为检测过程中十分关的一步，特征提取的好坏程度直接影响着最终的检测效果。传统的特征提取一般通过手工设计特征的方法实现，但手工设计过程易受图像背景、外观、照明环境、专业知识等因素的影响，极大增加了全描述目标的计算成本，同时，手工设计的特征对于复杂任务并没有很好的励棒性。2.2.3分类器分类在对待检测图像进行候选区域选择和特征提取之后，目标检测过程将根据提取到的特征使用亴先训练好的分类器进行区域分类。常用的分类器有支持向机（SVecMachie,SVM）、AdaB、神经网络等。
【参考文献】：
期刊论文
[1]基于注意力残差机制的细粒度番茄病害识别[J]. 胡志伟,杨华,黄济民,谢倩倩. 华南农业大学学报. 2019(06)
[2]基于改进Multi-Scale AlexNet的番茄叶部病害图像识别[J]. 郭小清,范涛杰,舒欣. 农业工程学报. 2019(13)
[3]基于迁移学习的番茄叶片病害图像分类[J]. 王艳玲,张宏立,刘庆飞,张亚烁. 中国农业大学学报. 2019(06)
[4]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[5]遥感图像中飞机的改进YOLOv3实时检测算法[J]. 戴伟聪,金龙旭,李国宁,郑志强. 光电工程. 2018(12)
[6]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[7]自然环境下树上绿色芒果的无人机视觉检测技术[J]. 熊俊涛,刘振,林睿,陈淑绵,陈伟杰,杨振刚. 农业机械学报. 2018(11)
[8]基于卷积神经网络的植物病害识别技术[J]. 廖经纬,蔡英,王语晨,张艳秋,谭周渝,魏静桐. 现代计算机(专业版). 2018(19)
[9]基于参数指数非线性残差神经网络的脐橙病变叶片识别[J]. 杨国亮,许楠,康乐乐,龚曼,洪志阳. 浙江农业学报. 2018(06)
[10]未成熟芒果的改进YOLOv2识别方法[J]. 薛月菊,黄宁,涂淑琴,毛亮,杨阿庆,朱勋沐,杨晓帆,陈鹏飞. 农业工程学报. 2018(07)
硕士论文
[1]番茄病害图像数据库构建方法研究[D]. 黄志豪.华南农业大学 2016
[2]基于计算机视觉技术的番茄病害识别研究[D]. 周正.湖南农业大学 2013
本文编号：2935921
【文章来源】：山东师范大学山东省
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
论文研究框架图
山东师范大学硕士学位论文9全连接网络输出基于输入数据的条件概率分布。2.1.2卷积神经网络基本结构卷积神经网络的典型结构如图2-1所示，其基本组成包括输入层、卷积层（cliallae）、池化层（liglae）、全连接层（fll-cecedlae）和输出层，其中，卷积层和池化层一般有多个，呈现一个卷积层后接一个池化层，该池化层再后接一个卷积层，而后二者依次交替连接的状态。图2-1卷积神经网络典型结构（1）卷积层原始图像0作为网络输入由输入层进入卷积层，卷积层的作用在于学习网络输入的特征表示。卷积层通过卷积操作提取输入的各种特征，低层的卷积层提取如边缘、线条等的低级特征信息，着卷积层的堆叠，更儈层的卷积层将逐步提取更儈级别的特征信息。卷积层由多个特征图组成，每个特征图包含多个神经元，每一个神经元通过一种权值矩——卷积核，与上一层特征图的局区域相连。卷积核在二维状态下可为33、55等形式的矩。用表示第层卷积神经网络的特征图（0），则卷积层的产生过程可以表述为：1（2-1）其中，运算符号“”表示卷积核与第1层卷积层的特征图进行卷积操作，表示第层卷积核的权值向，表示第层的偏移向，卷积的输出与相加，通过线性映射函数得到。线性映射函数，又称激活函数，其模拟生物神经元的特性，在卷积神经网络的神经元上运行，将神经元的输入从输入端映射到输出端，实现多层网络对线性特征
山东师范大学硕士学位论文11（3）用亴先训练好的分类器进行区域分类。图2-2传统目标检测过程2.2.1候区域择在给定一张待检测图像的情况下，目标检测过程俆先对这张图像进行候选区域选择。候选区域选择，即对图像中可能包含待检测目标的区域进行选择。由于在待检测图像中，待检测目标可能以各种尺寸、比例出现在任何位置，所以传统的目标检测方法一般用多尺度滑动窗口的方法来提取候选区域、标记候选框，但此方法也存在弊端，滑动窗口在提取所有可能的候选区域的同时，会提升检测过程的时复杂度，产生大冗余窗口，进而增加计算成本，在一定程度上影响目标定位。2.2.2特征提取在选定了候选区域之后，目标检测过程将对每个区域中的局信息进行特征提取，提取的特征包括直线特征、多边形特征、椭圆特征等。作为检测过程中十分关的一步，特征提取的好坏程度直接影响着最终的检测效果。传统的特征提取一般通过手工设计特征的方法实现，但手工设计过程易受图像背景、外观、照明环境、专业知识等因素的影响，极大增加了全描述目标的计算成本，同时，手工设计的特征对于复杂任务并没有很好的励棒性。2.2.3分类器分类在对待检测图像进行候选区域选择和特征提取之后，目标检测过程将根据提取到的特征使用亴先训练好的分类器进行区域分类。常用的分类器有支持向机（SVecMachie,SVM）、AdaB、神经网络等。
【参考文献】：
期刊论文
[1]基于注意力残差机制的细粒度番茄病害识别[J]. 胡志伟,杨华,黄济民,谢倩倩. 华南农业大学学报. 2019(06)
[2]基于改进Multi-Scale AlexNet的番茄叶部病害图像识别[J]. 郭小清,范涛杰,舒欣. 农业工程学报. 2019(13)
[3]基于迁移学习的番茄叶片病害图像分类[J]. 王艳玲,张宏立,刘庆飞,张亚烁. 中国农业大学学报. 2019(06)
[4]基于改进YOLOv3的快速车辆检测方法[J]. 张富凯,杨峰,李策. 计算机工程与应用. 2019(02)
[5]遥感图像中飞机的改进YOLOv3实时检测算法[J]. 戴伟聪,金龙旭,李国宁,郑志强. 光电工程. 2018(12)
[6]基于卷积神经网络与迁移学习的油茶病害图像识别[J]. 龙满生,欧阳春娟,刘欢,付青. 农业工程学报. 2018(18)
[7]自然环境下树上绿色芒果的无人机视觉检测技术[J]. 熊俊涛,刘振,林睿,陈淑绵,陈伟杰,杨振刚. 农业机械学报. 2018(11)
[8]基于卷积神经网络的植物病害识别技术[J]. 廖经纬,蔡英,王语晨,张艳秋,谭周渝,魏静桐. 现代计算机(专业版). 2018(19)
[9]基于参数指数非线性残差神经网络的脐橙病变叶片识别[J]. 杨国亮,许楠,康乐乐,龚曼,洪志阳. 浙江农业学报. 2018(06)
[10]未成熟芒果的改进YOLOv2识别方法[J]. 薛月菊,黄宁,涂淑琴,毛亮,杨阿庆,朱勋沐,杨晓帆,陈鹏飞. 农业工程学报. 2018(07)
硕士论文
[1]番茄病害图像数据库构建方法研究[D]. 黄志豪.华南农业大学 2016
[2]基于计算机视觉技术的番茄病害识别研究[D]. 周正.湖南农业大学 2013
本文编号：2935921
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/2935921.html
教材专著
