基于卷积神经网络的农作物叶片病害分类研究
发布时间：2021-11-17 03:33
农作物病害是农业发展中面临的最主要的一个挑战,快速且准确地识别农作物病害有利于提早制定治疗方案,同时能很大幅度上降低农业经济损失。随着信息化时代的到来,利用计算机技术精准又快速的识别农作物病害是保证农产品产量和质量的关键因素,也是推动农业现代化的重要手段。在高度发展的信息技术的基础上,现代大数据技术已为农业发展开辟了新的可能。大数据技术的本质是大规模收集由农业生产所提供的数据,并使用相应数据来分析模型,最终服务于农业生产。深度学习技术就是从大量的数据中自动挖掘出有利的信息,应用到实际的生产需求中。将深度学习模型应用到农作物叶片病害识别工作中,极大程度减少了手工设计特征的工作量,使得农作物叶片病害的智能识别成为了可能。本文提出了一种基于卷积神经网络的农作物叶片病害识别的分类方法,以苹果、玉米、葡萄、桃子等较为常见的农作物叶片病害图像作为研究对象,进一步研究卷积神经网络在农作物叶片病害识别中的应用。主要内容如下:（1）提出了基于卷积神经网络的苹果叶片病害识别方法,对经典的VGG16模型进行了改进与优化。该算法在每一个卷积层后添加了一个批标准化层,加快模型的训练速度。在损失函数方面使用了Ce...
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
LeNet5模型结构
安徽大学硕士学位论文15图2.9AlexNet模型结构Figure2.9AlexNetmodelstructure(3)GoogLeNetGoogLeNet对网络结构的深度和宽度进一步增加，使得网络内部的计算机资源得到充分利用。Inception模块是GoogLeNet结构中最大的亮点，其对图像多尺度化的处理方式使得模型的参数量很大幅度上减少。图2.10GoogLeNet模型结构Figure2.10GoogLeNetmodelstructureInception模块结构如图2.11所示：卷积核大小不同的卷积层以及池化层之间的堆叠形成了一个完整的Inception模块结构，其中的卷积核尺寸有1ⅹ1的，有3ⅹ3的，有5ⅹ5的，使用不同大小的卷积核在提取特征时更加全面。大卷积核可以对全局性特征信息进行提取，小的卷积核更适合用来提取局部性特征信息。Inception结构的设计在增加网络宽度的同时又增加了网络对多尺度处理的能力，提升模型的性能。
安徽大学硕士学位论文15图2.9AlexNet模型结构Figure2.9AlexNetmodelstructure(3)GoogLeNetGoogLeNet对网络结构的深度和宽度进一步增加，使得网络内部的计算机资源得到充分利用。Inception模块是GoogLeNet结构中最大的亮点，其对图像多尺度化的处理方式使得模型的参数量很大幅度上减少。图2.10GoogLeNet模型结构Figure2.10GoogLeNetmodelstructureInception模块结构如图2.11所示：卷积核大小不同的卷积层以及池化层之间的堆叠形成了一个完整的Inception模块结构，其中的卷积核尺寸有1ⅹ1的，有3ⅹ3的，有5ⅹ5的，使用不同大小的卷积核在提取特征时更加全面。大卷积核可以对全局性特征信息进行提取，小的卷积核更适合用来提取局部性特征信息。Inception结构的设计在增加网络宽度的同时又增加了网络对多尺度处理的能力，提升模型的性能。
【参考文献】：
期刊论文
[1]基于深度残差网络图像分类算法研究综述[J]. 赵志成,罗泽,王鹏彦,李健. 计算机系统应用. 2020(01)
[2]基于改进卷积神经网络的极光图像分类算法研究[J]. 李彦枝,陈昌红,谢晓芳. 南京邮电大学学报(自然科学版). 2019(06)
[3]基于Inception-v3卷积神经网络模型的人脸识别[J]. 雷雨婷,丁学文,孙彦,陈静,董国军,李莉. 天津职业技术师范大学学报. 2019(04)
[4]深度学习框架Caffe在图像分类中的应用探析[J]. 许淑扬. 信息与电脑(理论版). 2019(23)
[5]基于Keras的分类预测应用研究[J]. 高云,彭炜. 山西大同大学学报(自然科学版). 2019(05)
[6]应用于番茄病虫害检测的HOG特征与LBP特征的结合[J]. 邹永杰,张永军,秦永彬,郑世均. 南京师范大学学报(工程技术版). 2019(03)
[7]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)
[8]基于机器视觉图像提取的马铃薯内部病虫害特征识别[J]. 王奕. 食品与机械. 2019(09)
[9]基于二维Gabor小波与AR-LGC的人脸特征提取算法研究[J]. 倪永婧,孙袆,岳莹,郭志萍,高丽慧,刘微. 河北工业科技. 2019(04)
[10]多分类器融合的光学遥感图像目标识别算法[J]. 姬晓飞,石宇辰. 计算机技术与发展. 2019(11)
博士论文
[1]小麦病虫害多尺度遥感识别和区分方法研究[D]. 袁琳.浙江大学 2015
硕士论文
[1]基于深度卷积神经网络的农作物病虫害识别及实现[D]. 吴健宇.哈尔滨工业大学 2019
本文编号：3500113
【文章来源】：安徽大学安徽省 211工程院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
LeNet5模型结构
安徽大学硕士学位论文15图2.9AlexNet模型结构Figure2.9AlexNetmodelstructure(3)GoogLeNetGoogLeNet对网络结构的深度和宽度进一步增加，使得网络内部的计算机资源得到充分利用。Inception模块是GoogLeNet结构中最大的亮点，其对图像多尺度化的处理方式使得模型的参数量很大幅度上减少。图2.10GoogLeNet模型结构Figure2.10GoogLeNetmodelstructureInception模块结构如图2.11所示：卷积核大小不同的卷积层以及池化层之间的堆叠形成了一个完整的Inception模块结构，其中的卷积核尺寸有1ⅹ1的，有3ⅹ3的，有5ⅹ5的，使用不同大小的卷积核在提取特征时更加全面。大卷积核可以对全局性特征信息进行提取，小的卷积核更适合用来提取局部性特征信息。Inception结构的设计在增加网络宽度的同时又增加了网络对多尺度处理的能力，提升模型的性能。
安徽大学硕士学位论文15图2.9AlexNet模型结构Figure2.9AlexNetmodelstructure(3)GoogLeNetGoogLeNet对网络结构的深度和宽度进一步增加，使得网络内部的计算机资源得到充分利用。Inception模块是GoogLeNet结构中最大的亮点，其对图像多尺度化的处理方式使得模型的参数量很大幅度上减少。图2.10GoogLeNet模型结构Figure2.10GoogLeNetmodelstructureInception模块结构如图2.11所示：卷积核大小不同的卷积层以及池化层之间的堆叠形成了一个完整的Inception模块结构，其中的卷积核尺寸有1ⅹ1的，有3ⅹ3的，有5ⅹ5的，使用不同大小的卷积核在提取特征时更加全面。大卷积核可以对全局性特征信息进行提取，小的卷积核更适合用来提取局部性特征信息。Inception结构的设计在增加网络宽度的同时又增加了网络对多尺度处理的能力，提升模型的性能。
【参考文献】：
期刊论文
[1]基于深度残差网络图像分类算法研究综述[J]. 赵志成,罗泽,王鹏彦,李健. 计算机系统应用. 2020(01)
[2]基于改进卷积神经网络的极光图像分类算法研究[J]. 李彦枝,陈昌红,谢晓芳. 南京邮电大学学报(自然科学版). 2019(06)
[3]基于Inception-v3卷积神经网络模型的人脸识别[J]. 雷雨婷,丁学文,孙彦,陈静,董国军,李莉. 天津职业技术师范大学学报. 2019(04)
[4]深度学习框架Caffe在图像分类中的应用探析[J]. 许淑扬. 信息与电脑(理论版). 2019(23)
[5]基于Keras的分类预测应用研究[J]. 高云,彭炜. 山西大同大学学报(自然科学版). 2019(05)
[6]应用于番茄病虫害检测的HOG特征与LBP特征的结合[J]. 邹永杰,张永军,秦永彬,郑世均. 南京师范大学学报(工程技术版). 2019(03)
[7]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)
[8]基于机器视觉图像提取的马铃薯内部病虫害特征识别[J]. 王奕. 食品与机械. 2019(09)
[9]基于二维Gabor小波与AR-LGC的人脸特征提取算法研究[J]. 倪永婧,孙袆,岳莹,郭志萍,高丽慧,刘微. 河北工业科技. 2019(04)
[10]多分类器融合的光学遥感图像目标识别算法[J]. 姬晓飞,石宇辰. 计算机技术与发展. 2019(11)
博士论文
[1]小麦病虫害多尺度遥感识别和区分方法研究[D]. 袁琳.浙江大学 2015
硕士论文
[1]基于深度卷积神经网络的农作物病虫害识别及实现[D]. 吴健宇.哈尔滨工业大学 2019
本文编号：3500113
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3500113.html
