基于轻量和积网络的田间杂草识别

发布时间：2021-12-28 21:47

　　人工智能的空前发展给各行各业带来了前所未有的变革,其背后的推动力离不开深度学习。在农业领域,杂草是制约粮食生产的主要原因之一,现代化农业逐步趋于智能化,如使用植保无人机、智能除草设备等,其关键在于如何有效识别作物与不同杂草群落,进而高效使用除草剂或除草设备。目前,以卷积神经网络为代表的深度学习架构在图像识别中取得了令人瞩目的成绩,但其往往需要大量样本数据和高性能硬件设备支持来训练和运行复杂的网络结构,而在实际应用中样本数据的获取、标注成本、网络大小、运行效率等都是需要考虑的因素。因此,基于小样本、轻量化的网络架构成为目前的研究热点之一。和积网络是新型概率深度网络模型,区别于贝叶斯网和马尔科夫网等具有NP难计算的概率图模型,和积网络能够在网络大小的线性时间内进行精确推理,具有强大的理论支持。与神经网络相比,其网络内部结构具有清晰的概率语义,且学习过程简单快速。因此,针对上述问题,本文提出一种自下而上生成网络结构,自上而下更新网络参数的轻量和积网络算法,在多个基准数据集的对比中,获得了最佳的对数似然值。最后结合K-means算法提出一种轻量和积网络杂草识别模型。以无人机获取的大豆杂草小样本... 

【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】：52 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 作物杂草识别方法研究现状
        1.2.2 和积网络研究现状
    1.3 本文的主要研究内容
    1.4 论文结构安排
第2章 和积网络介绍
    2.1 和积网络
    2.2 相关定义及定理
    2.3 和积网络的结构学习
    2.4 和积网络的参数学习
    2.5 本章小结
第3章 基于轻量和积网络的田间杂草识别算法设计
    3.1 轻量和积网络杂草识别流程
    3.2 K-MEANS算法
    3.3 轻量和积网络的结构和参数学习
        3.3.1 参数优化及结构剪枝
    3.4 本章小结
第4章 仿真实验与结果分析
    4.1 基准数据集实验结果与分析
        4.1.1 实验运行环境
        4.1.2 结果和分析
    4.2 仿真实验数据预处理
        4.2.1 SLIC超像素分割
        4.2.2 数据标准化及白化
    4.3 仿真实验结果与分析
        4.3.1 实验运行环境
        4.3.2 结果和分析
    4.4 本章小结
第5章 总结与展望
    5.1 全文工作总结
    5.2 未来研究展望
参考文献
作者简介及科研成果
致谢


【参考文献】：
期刊论文
[1]融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法[J]. 彭明霞,夏俊芳,彭辉.  农业工程学报. 2019(20)
[2]浅谈国内外杂草控制方法[J]. 吕威,董黎,孙宇涵,李云.  中国农学通报. 2018(11)
[3]冬油菜田杂草探测光谱传感器设计与应用[J]. 李林,魏新华,毛罕平,吴姝.  农业工程学报. 2017(18)
[4]田间作物杂草识别的最优遥感测量尺度[J]. 李颖,陈怀亮.  农业工程学报. 2013(16)
[5]基于多光谱图像和数据挖掘的多特征杂草识别方法[J]. 赵川源,何东健,乔永亮.  农业工程学报. 2013(02)
[6]基于图像处理和蚁群优化的形状特征选择与杂草识别[J]. 李先锋,朱伟兴,纪滨,刘波,马长华.  农业工程学报. 2010(10)
[7]杂草识别中颜色特征和阈值分割算法的优化[J]. 毛罕平,胡波,张艳诚,钱丹,陈树人.  农业工程学报. 2007(09)
[8]基于纹理和位置特征的麦田杂草识别方法[J]. 曹晶晶,王一鸣,毛文华,张小超.  农业机械学报. 2007(04)
[9]基于机器视觉的田间杂草识别技术研究进展[J]. 毛文华,王一鸣,张小超,王月青.  农业工程学报. 2004(05)



本文编号：3554787