基于机器视觉的黄瓜叶部病害程度检测系统研究

发布时间：2021-09-05 09:15

　　植物病害是危害蔬菜品质的主要因素之一,很大程度上损害农民经济收入,黄瓜在其生长周期中极易受到病害威胁,大规模、高密度的种植方式给传统的病害防治措施带来了巨大挑战。传统的病害防治方法通过人眼观察或者侵染性实验,该方法具有效率低下、主观性强等缺点,并且过量地使用化学农药不仅会导致农药残留、植物抗药性的问题,同时对环境造成污染。机器视觉、人工智能等相关技术在农业领域被广泛应用,特别是在植物病害识别和果实品质检测等相关领域取得优异成果,故本文将不同病害程度的黄瓜叶片病害图像作为研究对象,利用机器视觉和深度学习等相关技术对黄瓜叶部病害程度分级识别方法进行研究,对提高农产品品质和保证农业生态环境的绿色、可持续发展具有重要意义。本论文针对自然背景下不同病害程度的3种黄瓜叶部主要病害类型的分级识别方法进行研究,主要包括以下内容:（1）对采集的不同病害程度的黄瓜叶片图像进行数据增强处理,将黄瓜叶片病害图像进行旋转、扭曲、镜像变换、添加噪声等多种几何变换方法并且不改变图像的类别和属性,扩充数据集样本,解决训练样本不足的问题,在训练中减少模型过拟合问题,并按照一定比例将创建的数据集划分为训练集和测试集。（2... 

【文章来源】：西京学院陕西省

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

000-2016年我国设施蔬菜面积（万亩）

ecision Tree）是一种常见的非参数监督学习的机器学析的图解法，主要依据已知的数据来推断数据特征[34]。该方法在使用过程中，易于理解和实现，在相出相对精准的预测，模型也易于通过静态测识进行性、有时间序的数据，需要进行大量繁琐的预处理出现错误。决策树是一种树形结构，内部节点表示分支进行表示，一个类别用每个叶片进行表示，它.1 所示1234 5 6根节点

KNN算法示意图

【参考文献】：
期刊论文
[1]基于可见光谱和支持向量机的黄瓜叶部病害识别方法研究[J]. 李鑫星,朱晨光,白雪冰,毛富焕,傅泽田,张领先.  光谱学与光谱分析. 2019(07)
[2]基于改进VGG卷积神经网络的棉花病害识别模型[J]. 张建华,孔繁涛,吴建寨,翟治芬,韩书庆,曹姗姗.  中国农业大学学报. 2018(11)
[3]基于区分深度置信网络的病害图像识别模型[J]. 宋丽娟.  计算机工程与应用. 2017(21)
[4]基于改进卷积神经网络的多种植物叶片病害识别[J]. 孙俊,谭文军,毛罕平,武小红,陈勇,汪龙.  农业工程学报. 2017(19)
[5]Texture image classification with discriminative neural networks[J]. Yang Song,Qing Li,Dagan Feng,Ju Jia Zou,Weidong Cai.  Computational Visual Media. 2016(04)
[6]基于颜色特征的油菜害虫机器视觉诊断研究[J]. 朱莉,罗靖,徐胜勇,杨勇,赵海涛,李卫豪.  农机化研究. 2016(06)
[7]复杂背景下小麦叶部病害图像分割方法研究[J]. 张武,黄帅,汪京京,刘连忠.  计算机工程与科学. 2015(07)
[8]基于局部判别映射算法的玉米病害识别方法[J]. 张善文,张传雷.  农业工程学报. 2014(11)
[9]基于压缩感知理论的苹果病害识别方法[J]. 霍迎秋,唐晶磊,尹秀珍,方勇.  农业机械学报. 2013(10)
[10]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟.  计算机研究与发展. 2013(09)



本文编号：3385077