基于图像和光谱信息的典型叶片病害识别研究
发布时间：2021-09-15 07:27
随着信息技术的快速持续发展,标准化、数字化、无损伤、实时监测识别植物病害,成为植物病害诊断的发展趋势。近年来随着大田作物种植面积不断扩大,大田作物受各种病虫害的影响也逐渐扩大,严重威胁着大田作物的质量和产量,农户的经济收入也受到不同程度的影响。通过大量研究表明,大多数病虫害侵害的部位均为植物叶片表面,影响叶片的正常生长,且不同的病害在叶片上呈现的轮廓、颜色、纹理等特征也各有差异。因此,如何高效地预测和诊断作物叶部病害,是目前急需解决的问题之一。但目前作物病害诊断大多仍依靠专业人员的观察和工作经验来进行判断,效率不高且无法做到病害诊断的准确性和及时性。针对以上问题,本文综合应用图像处理技术、高光谱检测技术、光谱分析技术等诸多领域的知识,开展对大豆、玉米和人参叶片的主要病害的快速、无损的识别方法研究,并在此基础上设计和建立了作物叶片病害识别系统。本文主要研究内容如下:（1）对病害图像进行了数据量的扩展和预处理。根据病害叶片图像数据集的特点,通过几何变换和强度变换对原始图像进行数据量的扩展,对图像进行了预处理,包括对图像尺寸进行缩放、图像增强和图像归一化。（2）利用卷积神经网络对大豆、玉米和...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
经典神经网络
第二章卷积神经网络与光谱分析方法理论基础9第二章卷积神经网络与光谱分析方法理论基础2.1卷积神经网络概述2.1.1神经网络神经网络是机器学习技术的重要分支之一，也是深度学习的基础[54]。如图2.1所示，为三层次的经典神经网络结构，其结构中的输入层与输出层的节点数目按照训练需求固定，而中间层的节点个数可以根据算法需求自由设定，该结构图中的箭头与拓扑方向表示着训练过程中的数据流向，结构图中的关键是神经元之间的连接，每个连线都有着不同的权重(其值称为权值)，权重大小通过神经网络训练确定，神经网络的原理是由无数个神经元和神经连线组成[55]。数据在神经元之间的传输过程如图2.2所示。图2.1经典神经网络图2.2数据在单个神经元传输流程设图中输入1、输入2和输入3分别用、和表示，权值1、权值2和权值3分别用、和表示，偏置项为b，非线性函数用表示，其输出值用公式2-1表示：
(a)最大
【参考文献】：
期刊论文
[1]基于改进型加性余弦间隔损失函数的深度学习人脸识别[J]. 章东平,陈思瑶,李建超,周志洪,孙水发. 传感技术学报. 2019(12)
[2]吉林省大豆生产现状及对策[J]. 张晓慧,李忠南,姜海英,谢卫平,艾东,刘颖,李光发. 农业科技通讯. 2019(10)
[3]逐步判别分析法在鸢尾花分类中的研究[J]. 代雪珍,乔亚琴,曹高飞. 科技经济导刊. 2019(23)
[4]基于改进深度卷积神经网络的苹果病害识别[J]. 张善文,张晴晴,李萍. 林业工程学报. 2019(04)
[5]吉林省种植业供给侧结构性改革研究[J]. 赵悦. 东北农业科学. 2019(02)
[6]基于CNN的三维人体姿态估计方法[J]. 肖澳文,刘军,张苏沛,杜壮,孙思琪. 武汉工程大学学报. 2019(02)
[7]基于高光谱成像和模式识别的无损检测苹果表面损伤[J]. 孟庆龙,张艳,尚静. 光电子·激光. 2019(03)
[8]吉林省人参加工产业发展分析及建议[J]. 高阳,康优,王勇. 东北农业科学. 2019(01)
[9]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[10]向日葵叶部病害图像分割方法[J]. 李艳雪,吕芳. 计算机技术与发展. 2019(05)
博士论文
[1]基于高光谱成像技术的茄子叶片色差值检测和早疫病识别方法研究[D]. 谢传奇.浙江大学 2015
[2]基于核磁共振成像的梨果品质无损检测方法研究[D]. 周水琴.浙江大学 2013
[3]基于计算机视觉和光谱分析技术的蔬菜叶部病害诊断研究[D]. 柴阿丽.中国农业科学院 2011
[4]吉林省玉米加工产业发展战略环境评价研究[D]. 龙振永.吉林大学 2007
硕士论文
[1]基于远程监测点的作物图像种类自动识别[D]. 于洋.黑龙江八一农垦大学 2019
[2]基于叶绿素荧光光谱分析的玉米叶片光合生理信息检测[D]. 张雨晴.吉林大学 2018
[3]基于非下采样轮廓波SPP Net的高分辨SAR图像变化检测[D]. 杨争艳.西安电子科技大学 2018
[4]基于神经网络的深度图像遮挡边界检测方法研究[D]. 董利健.燕山大学 2018
[5]深度学习在车牌识别中的应用研究[D]. 张宇澄.南京大学 2018
[6]基于随机权神经网络的重置多分类算法研究[D]. 杨孝玉.浙江工商大学 2018
[7]基于卷积神经网络的图像分类算法研究[D]. 郭田梅.济南大学 2017
[8]基于叶绿素荧光光谱分析的生菜叶片硝酸盐检测与评价[D]. 赵红星.吉林大学 2017
[9]应用于三维场景目标识别的匹配方法研究[D]. 王晓白.中国科学院研究生院(西安光学精密机械研究所) 2010
[10]智能教室手势识别算法研究及交互原型系统设计[D]. 王兴华.西安电子科技大学 2009
本文编号：3395658
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
经典神经网络
第二章卷积神经网络与光谱分析方法理论基础9第二章卷积神经网络与光谱分析方法理论基础2.1卷积神经网络概述2.1.1神经网络神经网络是机器学习技术的重要分支之一，也是深度学习的基础[54]。如图2.1所示，为三层次的经典神经网络结构，其结构中的输入层与输出层的节点数目按照训练需求固定，而中间层的节点个数可以根据算法需求自由设定，该结构图中的箭头与拓扑方向表示着训练过程中的数据流向，结构图中的关键是神经元之间的连接，每个连线都有着不同的权重(其值称为权值)，权重大小通过神经网络训练确定，神经网络的原理是由无数个神经元和神经连线组成[55]。数据在神经元之间的传输过程如图2.2所示。图2.1经典神经网络图2.2数据在单个神经元传输流程设图中输入1、输入2和输入3分别用、和表示，权值1、权值2和权值3分别用、和表示，偏置项为b，非线性函数用表示，其输出值用公式2-1表示：
(a)最大
【参考文献】：
期刊论文
[1]基于改进型加性余弦间隔损失函数的深度学习人脸识别[J]. 章东平,陈思瑶,李建超,周志洪,孙水发. 传感技术学报. 2019(12)
[2]吉林省大豆生产现状及对策[J]. 张晓慧,李忠南,姜海英,谢卫平,艾东,刘颖,李光发. 农业科技通讯. 2019(10)
[3]逐步判别分析法在鸢尾花分类中的研究[J]. 代雪珍,乔亚琴,曹高飞. 科技经济导刊. 2019(23)
[4]基于改进深度卷积神经网络的苹果病害识别[J]. 张善文,张晴晴,李萍. 林业工程学报. 2019(04)
[5]吉林省种植业供给侧结构性改革研究[J]. 赵悦. 东北农业科学. 2019(02)
[6]基于CNN的三维人体姿态估计方法[J]. 肖澳文,刘军,张苏沛,杜壮,孙思琪. 武汉工程大学学报. 2019(02)
[7]基于高光谱成像和模式识别的无损检测苹果表面损伤[J]. 孟庆龙,张艳,尚静. 光电子·激光. 2019(03)
[8]吉林省人参加工产业发展分析及建议[J]. 高阳,康优,王勇. 东北农业科学. 2019(01)
[9]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[10]向日葵叶部病害图像分割方法[J]. 李艳雪,吕芳. 计算机技术与发展. 2019(05)
博士论文
[1]基于高光谱成像技术的茄子叶片色差值检测和早疫病识别方法研究[D]. 谢传奇.浙江大学 2015
[2]基于核磁共振成像的梨果品质无损检测方法研究[D]. 周水琴.浙江大学 2013
[3]基于计算机视觉和光谱分析技术的蔬菜叶部病害诊断研究[D]. 柴阿丽.中国农业科学院 2011
[4]吉林省玉米加工产业发展战略环境评价研究[D]. 龙振永.吉林大学 2007
硕士论文
[1]基于远程监测点的作物图像种类自动识别[D]. 于洋.黑龙江八一农垦大学 2019
[2]基于叶绿素荧光光谱分析的玉米叶片光合生理信息检测[D]. 张雨晴.吉林大学 2018
[3]基于非下采样轮廓波SPP Net的高分辨SAR图像变化检测[D]. 杨争艳.西安电子科技大学 2018
[4]基于神经网络的深度图像遮挡边界检测方法研究[D]. 董利健.燕山大学 2018
[5]深度学习在车牌识别中的应用研究[D]. 张宇澄.南京大学 2018
[6]基于随机权神经网络的重置多分类算法研究[D]. 杨孝玉.浙江工商大学 2018
[7]基于卷积神经网络的图像分类算法研究[D]. 郭田梅.济南大学 2017
[8]基于叶绿素荧光光谱分析的生菜叶片硝酸盐检测与评价[D]. 赵红星.吉林大学 2017
[9]应用于三维场景目标识别的匹配方法研究[D]. 王晓白.中国科学院研究生院(西安光学精密机械研究所) 2010
[10]智能教室手势识别算法研究及交互原型系统设计[D]. 王兴华.西安电子科技大学 2009
本文编号：3395658
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3395658.html
