面向中药材种植过程的深度学习模型研究

发布时间：2021-10-19 15:02

　　中药材种植业处于中医药产业链的源头,直接影响药材品质,关乎中医疗效和中医药的继承与发展,论文针对中药材种植过程核心问题开展模型研究,为中药材引种栽培提供辅助决策,实现高效化管理,促进中药材种植科学化和现代化。论文基于中药材生态适宜性发现其潜在适生区,在中药材种植的田间管理环节中开展其叶部病害识别,结合中药材相关时间序列数据进行产量预测,构建中药材种植过程系统服务平台原型。论文工作内容如下:1.针对中药材潜在适生区亟待发现的问题,提出基于深度支持向量数据描述的中药材适生区预测模型。由于生态环境因子的数据格式不统一,使用t-SNE算法统一转换与融合,使用深度支持向量数据描述模型将融合后的数据以非线性方式映射到高维特征空间,在特征空间寻找体积最小的超球体（最优超球体）,落在最优超球体内的地区样本点,则认为该地区适宜此中药材的生长;反之,则不适宜此中药材的生长。针对中药材丹参数据的实验结果表明,AUC（Area Under Curve）值为99.65%。2.针对人工判别药用植物叶部病害种类存在成本大、识别错误率高等问题,提出基于深度可分离卷积神经网络的中药材叶部病害识别方法。首先,基于Plan... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：94 页

【学位级别】：硕士

【部分图文】：

SAE结构图

深度SV

第三章基于深度支持向量数据描述的中药材适生区分布预测31图3-3不同模型的loss训练过程表3-3为各模型评价指标统计结果，从而可知，pretraining+CNN+SVDD模型，AUC值达到了99.65%。表3-3模型评价指标统计结果方法AUCLossMaxEnt89.9%-OC-SVM95.21%-IF96.67%-CNN+SVDD97.74%0.29Pretraining+CNN+SVDD99.65%0.05图3-4不同模型的AUC结果对比

【参考文献】：
期刊论文
[1]深度迁移学习在花生叶部病害图像识别中的应用[J]. 苏婷婷,牟少敏,董萌萍,时爱菊.  山东农业大学学报(自然科学版). 2019(05)
[2]基于深度学习的图像识别技术研究综述[J]. 张琦,张荣梅,陈彬.  河北省科学院学报. 2019(03)
[3]深度学习在我国农业中的应用研究现状[J]. 吕盛坪,李灯辉,冼荣亨.  计算机工程与应用. 2019(20)
[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]基于MaxEnt和GIS技术的桔梗适宜性分布区划研究[J]. 董光,何兰,程武学.  中药材. 2019(01)
[6]基于DeepLearning4J on Spark深度学习方法在药用植物图像识别中应用初探[J]. 赵彦辉,范欣宁,张建逵,谢明.  中国中医药图书情报杂志. 2018(05)
[7]中药资源发展存在的问题与对策[J]. 孟祥才,杜虹韦,魏文峰,霍金海.  中草药. 2018(16)
[8]人参药材中人参皂苷的空间变异性及影响因子[J]. 郭杰,张琴,孙成忠,文检,谢彩香.  植物生态学报. 2017(09)
[9]基于Maxent和ArcGIS的山茱萸生态适宜性区划研究[J]. 张飞,陈随清,王利丽,张涛,张小波,朱寿东.  中国中药杂志. 2017(16)
[10]中国沙棘叶黄酮类成分与生态因子相关性及其生态适宜性研究[J]. 苏锦松,赵彩云,文检,刘川,谢彩香,张艺.  中国中药杂志. 2017(10)

硕士论文
[1]基于Android的常用中草药种植信息服务平台研发[D]. 辛艳梅.山东农业大学 2018



本文编号：3445096