基于区域卷积神经网络的农作物病害研究
发布时间：2021-01-13 12:36
中国是一个农业大国,农业是支撑国家经济建设的基础性产业,所以提高农作物产量,提升农业生产水平是重中之重。但是由于自然环境、农作物自身的自然属性等因素,导致农作物病害频发,严重影响了农作物的品质和产量。为此,对农作物病害进行及时准确的诊断对我国农业发展有重大意义。目前我国农作物病害诊断的主要方式仍然是人工识别的方法,以人的经验为中心,对农作物病害种类进行主观判断。由于我国现在大部分农业生产者都缺乏专业知识,很容易对病害种类造成误判,进而错误用药,起不到防治效果,还会造成土壤污染。此外我国农业生产分散,但是农业专家数量少,专业人员无法保证可以及时为农业生产者提供技术支持,进而延误了防治病害的最佳时机,造成不可挽回的经济损失。近年来,随着计算机视觉技术和图像处理技术的发展,使得通过农作物病害图像进行农作物病害的诊断成为可能。通过对农作物病害图像中病害部位（果实、叶片等）的检测,进而判断病害种类。本文利用区域神经网络模型Faster R-CNN对农作物病害图像分别进行检测,识别出图像中病害的种类并准确定位作物发病部位。此外,又利用区域卷积神经网络模型Mask R-CNN对农作物病害图像中的目标...
【文章来源】：山东师范大学山东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
实际环境中农作物病害图像示例
山东师范大学硕士学位论文102所示。图1-2经典卷积神经网络架构假设用表示卷积神经网络中第层的特征图。（1）输入层。输入层是卷积神经网络的输入，对于处理图像的网络来说，输入就是图像的像素矩阵，用一个三维矩阵表示，假设为（=）。中的长和宽分别代表了图像的大小，深度则代表了图像的通道数。从输入层开始，网络通过不同的卷积层对三维矩阵进行计算，将上一层的三维矩阵转化为下一层的三维矩阵。（2）卷积层。卷积层中利用卷积核对本层的输入（也就是上一层的输出特征图）进行卷积操作，用来提取图像特征。的产生过程可以表示为：=(+)（1-1）其中，表示第层中卷积核的权重；“”表示卷积核对进行卷积操作；表示偏移向量；卷积输出与相加，通过非线性映射函数()得到。每个卷积核每次只对输入上的一小块进行计算，卷积核的大小是人工设定的。卷积层将输入中的每一个小块进行计算以获得更加抽象，同时目标指向性也更明确的特征。一般情况下，通过卷积层的处理，矩阵的深度会增加。（3）池化层。池化层主要用来减小矩阵的尺寸，将高分辨率的图像转化为低分辨率的图像，也可以用来降维，即降低矩阵的通道数。主要方式有最大池化和平均池化。通过池化层，可以减少最后全连接层中的参数。但池化层也会丢失一部分的特征信息，所以本文所用的卷积神经网络中，池化层很少。（4）全连接层。经过多次卷积和池化操作后，得到图像的高维特征，所以用全连接层对特征进行分类。（5）Softmax层。得到当前样本属于不同种类的概率分布情况。
山东师范大学硕士学位论文141.4主要研究内容与创新点1.4.1主要研究内容由国内外研究现状来看，在农作物病害识别方面，深度卷积神经网络表现良好。然而，深度卷积神经网络只能对图像做分类，要求所用的病害图像中只包含一个发病部位，如图1-4中（1）所示。但在实际环境中拍摄的图像，如图1-4中（2）所示，往往包含多种疾病或者多个发病部位，而深度卷积神经网络只能对图像进行分类识别，而不能获得图像中病变部位的位置，也不能将病变部位与疾病类型一一对应。图1-4两种不同性质的病害图像对比在本研究中，对于实际情况下复杂的农作物病害图像，我们使用区域卷积神经网络模型来解决这些问题。利用区域卷积神经网络中的FasterR-CNN模型对农作物病害图像进行检测，准确地识别出图像中农作物病害的种类，并且可以获得发病部位的位置。利用MaskR-CNN模型对农作物病害图像进行分割，可以分割出图像中农作物感染区域的形状，并标注病害种类。整体研究框架如图1-5所示。
【参考文献】：
期刊论文
[1]基于改进Faster RCNN的工业机器人分拣系统[J]. 孙雄峰,林浒,王诗宇,郑飂默. 计算机系统应用. 2019(09)
[2]基于Faster-RCNN的交通信号灯检测与识别[J]. 潘卫国,陈英昊,刘博,石洪丽. 传感器与微系统. 2019(09)
[3]基于深度卷积神经网络的水稻病害图像识别研究[J]. 谭云兰,欧阳春娟,李龙,廖婷,汤鹏杰. 井冈山大学学报(自然科学版). 2019(02)
[4]基于卷积神经网络和小样本的茶树病害图像识别[J]. 孙云云,江朝晖,董伟,张立平,饶元,李绍稳. 江苏农业学报. 2019(01)
[5]基于Mask R-CNN的舰船目标检测研究[J]. 吴金亮,王港,梁硕,陈金勇,高峰. 无线电工程. 2018(11)
[6]基于改进特征金字塔的Mask R-CNN目标检测方法[J]. 任之俊,蔺素珍,李大威,王丽芳,左健宏. 激光与光电子学进展. 2019(04)
[7]基于改进Fast R-CNN的红外图像行人检测研究[J]. 车凯,向郑涛,陈宇峰,吕坚,周云. 红外技术. 2018(06)
[8]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[9]基于多任务学习及Faster R-CNN的SAR目标图像识别分类[J]. 王烈,秦伟萌,罗文. 科学技术与工程. 2017(35)
[10]基于Faster R-CNN的食品图像检索和分类[J]. 梅舒欢,闵巍庆,刘林虎,段华,蒋树强. 南京信息工程大学学报(自然科学版). 2017(06)
博士论文
[1]基于计算机视觉的农作物病害识别方法的研究[D]. 宋凯.沈阳农业大学 2008
[2]基于支持向量机的植物病害识别研究[D]. 任东.吉林大学 2007
[3]基于图像识别的作物病虫草害诊断研究[D]. 王克如.中国农业科学院 2005
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]基于图像识别的向日葵叶部病害诊断技术研究[D]. 越鲜梅.内蒙古工业大学 2013
[3]基于近红外光谱技术的水稻叶部病害诊断模型构建[D]. 王晓丽.中国农业科学院 2011
[4]基于图像识别的作物病害诊断研究[D]. 耿英.中国科学技术大学 2009
本文编号：2974887
【文章来源】：山东师范大学山东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
实际环境中农作物病害图像示例
山东师范大学硕士学位论文102所示。图1-2经典卷积神经网络架构假设用表示卷积神经网络中第层的特征图。（1）输入层。输入层是卷积神经网络的输入，对于处理图像的网络来说，输入就是图像的像素矩阵，用一个三维矩阵表示，假设为（=）。中的长和宽分别代表了图像的大小，深度则代表了图像的通道数。从输入层开始，网络通过不同的卷积层对三维矩阵进行计算，将上一层的三维矩阵转化为下一层的三维矩阵。（2）卷积层。卷积层中利用卷积核对本层的输入（也就是上一层的输出特征图）进行卷积操作，用来提取图像特征。的产生过程可以表示为：=(+)（1-1）其中，表示第层中卷积核的权重；“”表示卷积核对进行卷积操作；表示偏移向量；卷积输出与相加，通过非线性映射函数()得到。每个卷积核每次只对输入上的一小块进行计算，卷积核的大小是人工设定的。卷积层将输入中的每一个小块进行计算以获得更加抽象，同时目标指向性也更明确的特征。一般情况下，通过卷积层的处理，矩阵的深度会增加。（3）池化层。池化层主要用来减小矩阵的尺寸，将高分辨率的图像转化为低分辨率的图像，也可以用来降维，即降低矩阵的通道数。主要方式有最大池化和平均池化。通过池化层，可以减少最后全连接层中的参数。但池化层也会丢失一部分的特征信息，所以本文所用的卷积神经网络中，池化层很少。（4）全连接层。经过多次卷积和池化操作后，得到图像的高维特征，所以用全连接层对特征进行分类。（5）Softmax层。得到当前样本属于不同种类的概率分布情况。
山东师范大学硕士学位论文141.4主要研究内容与创新点1.4.1主要研究内容由国内外研究现状来看，在农作物病害识别方面，深度卷积神经网络表现良好。然而，深度卷积神经网络只能对图像做分类，要求所用的病害图像中只包含一个发病部位，如图1-4中（1）所示。但在实际环境中拍摄的图像，如图1-4中（2）所示，往往包含多种疾病或者多个发病部位，而深度卷积神经网络只能对图像进行分类识别，而不能获得图像中病变部位的位置，也不能将病变部位与疾病类型一一对应。图1-4两种不同性质的病害图像对比在本研究中，对于实际情况下复杂的农作物病害图像，我们使用区域卷积神经网络模型来解决这些问题。利用区域卷积神经网络中的FasterR-CNN模型对农作物病害图像进行检测，准确地识别出图像中农作物病害的种类，并且可以获得发病部位的位置。利用MaskR-CNN模型对农作物病害图像进行分割，可以分割出图像中农作物感染区域的形状，并标注病害种类。整体研究框架如图1-5所示。
【参考文献】：
期刊论文
[1]基于改进Faster RCNN的工业机器人分拣系统[J]. 孙雄峰,林浒,王诗宇,郑飂默. 计算机系统应用. 2019(09)
[2]基于Faster-RCNN的交通信号灯检测与识别[J]. 潘卫国,陈英昊,刘博,石洪丽. 传感器与微系统. 2019(09)
[3]基于深度卷积神经网络的水稻病害图像识别研究[J]. 谭云兰,欧阳春娟,李龙,廖婷,汤鹏杰. 井冈山大学学报(自然科学版). 2019(02)
[4]基于卷积神经网络和小样本的茶树病害图像识别[J]. 孙云云,江朝晖,董伟,张立平,饶元,李绍稳. 江苏农业学报. 2019(01)
[5]基于Mask R-CNN的舰船目标检测研究[J]. 吴金亮,王港,梁硕,陈金勇,高峰. 无线电工程. 2018(11)
[6]基于改进特征金字塔的Mask R-CNN目标检测方法[J]. 任之俊,蔺素珍,李大威,王丽芳,左健宏. 激光与光电子学进展. 2019(04)
[7]基于改进Fast R-CNN的红外图像行人检测研究[J]. 车凯,向郑涛,陈宇峰,吕坚,周云. 红外技术. 2018(06)
[8]一种基于Faster R-CNN的车辆检测算法[J]. 韩凯,张红英,王远,徐敏. 西南科技大学学报. 2017(04)
[9]基于多任务学习及Faster R-CNN的SAR目标图像识别分类[J]. 王烈,秦伟萌,罗文. 科学技术与工程. 2017(35)
[10]基于Faster R-CNN的食品图像检索和分类[J]. 梅舒欢,闵巍庆,刘林虎,段华,蒋树强. 南京信息工程大学学报(自然科学版). 2017(06)
博士论文
[1]基于计算机视觉的农作物病害识别方法的研究[D]. 宋凯.沈阳农业大学 2008
[2]基于支持向量机的植物病害识别研究[D]. 任东.吉林大学 2007
[3]基于图像识别的作物病虫草害诊断研究[D]. 王克如.中国农业科学院 2005
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]基于图像识别的向日葵叶部病害诊断技术研究[D]. 越鲜梅.内蒙古工业大学 2013
[3]基于近红外光谱技术的水稻叶部病害诊断模型构建[D]. 王晓丽.中国农业科学院 2011
[4]基于图像识别的作物病害诊断研究[D]. 耿英.中国科学技术大学 2009
本文编号：2974887
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/2974887.html
教材专著
