机器学习结合Android手机的病虫害棉叶识别研究
发布时间：2021-12-29 04:47
棉花是我国主要的农作物、经济作物,棉花在生长过程中会不断地受到病虫害的侵袭,我国棉花每年大约有15%的经济损失源于病虫害。目前针对棉花病虫害的识别主要依赖于人工识别,劳动力成本大,识别过程中主观性因素较强。开发一种智能识别棉花病虫害的软件系统有着十分重要的意义。为适应智慧农业发展需要,解决我国病虫害棉叶检测识别效率低,可靠性差的问题,结合机器学习方法和棉花病虫害发生特点本研究主要做了以下内容:（1）采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲棉花叶片图像各975张作为样本集。训练不同的机器学习模型:支持向量机模型、极限学习机模型、卷积神经网络模型。（2）对三种机器学习模型进行对比研究分析得出:支持向量机模型在核函数为多项式核函数时,模型对病虫害棉叶图像的融合特征（灰度共生矩阵+Hu7+颜色直方图）的训练准确率为:99.99%,测试准确率为:96.11%;激活函数为Sigmoid的极限学习机在隐层神经元数目为200时对病虫害棉叶颜色直方图特征的训练准确率为:98.33%,测试准确率为:95.55%;迁移学习方式下学习率取0.001的微调CaffeNet模型对病虫害棉叶的训练准确率为...
【文章来源】：石河子大学新疆维吾尔自治区 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
近十年全国棉花及新疆棉花单位面积产量统计图
机器学习结合Android手机的病虫害棉叶识别研究7之后再利用Caffe深度学习对AlexNet以及CaffeNet网络模型进行微调迁移训练，确定训练模型的主要参数。并且对所得模型进行测试；最后将训练所得的机器学习模型进行比较，以模型训练的准确率为标准对三种机器学习方法（支持向量机、极限学习机、卷积神经网络）进行比较得到较优的适用于病虫害棉叶识别的模型。（2）主功能界面的设计开发利用Androidstudio开发图形用户界面，满足用户需求。（3）模型移植使用JNI技术，并利用OpenCV中的Dnn模块将本论文中训练好的较优机器学习模型移植于Android手机。实现病虫害棉叶图像识别。本论文以棉花为主要研究对象，围绕机器学习及移动平台开发相关技术，采取理论分析，模型测试与试验相结合的方法开展研究。通过由浅入深、循序渐进、分步推进的方式使得本论文包含的复杂科学问题得以解决，并最终形成一个完整、系统的软件。本论文的总体研究设计如图1-2所示：首先，对采集的病虫害棉叶进行颜色特征提取，并在此基础上建立病虫害棉叶的数据库模型以为后续的机器学习模型提供数据支撑。其次，对预处理后的数据进行标签分类，借助深度学习（机器学习方法中的一种）框架搭建并训练得到适用于病虫害棉叶识别的机器学习模型。再次，在以上的研究工作基础上，利用AndroidStudio平台开发软件所需的图形用户界面并将训练好的深度学习模型移植于识别软件，最终完成病虫害棉叶识别软件的开发。并且对所建立的模型进行对比试验验证。图1-2总体研究设计Fig.1-2Overallstudydesign
技术路线
【参考文献】：
期刊论文
[1]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海. 农业工程学报. 2018(14)
[2]基于卷积神经网络的草莓叶部白粉病病害识别[J]. 杨晋丹,杨涛,苗腾,朱超,沈秋采,彭宇飞,梅珀彰,党雨晴. 江苏农业学报. 2018(03)
[3]基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别（英文）[J]. 潘春华,肖德琴,林探宇,王春桃. 农业工程学报. 2018(08)
[4]深度学习文献综述[J]. 常立娜. 开放学习研究. 2018(02)
[5]机器学习技术在疗养数据挖掘中的应用初探[J]. 李盼盼,谭庆平,曾平,王重,张浩宇,谢勤政,颜颖. 中国医疗设备. 2018(04)
[6]新媒体联盟地平线报告:2017高等教育版[J]. S·亚当斯贝克尔,M·卡明斯,A·戴维斯,A·弗里曼,C·霍尔给辛格,V·安娜塔娜额亚婻,殷丙山,高茜,任直,刘鑫驰,曹红岩,王济军,赵广元,邵恒. 开放学习研究. 2017(02)
[7]基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 杨国国,鲍一丹,刘子毅. 农业工程学报. 2017(06)
[8]基于机器学习的落叶松毛虫发生面积预测模型[J]. 张文一,景天忠,严善春. 北京林业大学学报. 2017(01)
[9]基于分层卷积深度学习系统的植物叶片识别研究[J]. 张帅,淮永建. 北京林业大学学报. 2016(09)
[10]新媒体联盟地平线报告:2016高等教育版[J]. L·约翰逊,S·亚当斯·贝克尔,M·卡明斯,V·埃斯特拉达,A·弗里曼,C·霍尔,殷丙山,高茜,赵广元,李院春,李志强,冯振振. 开放学习研究. 2016(02)
博士论文
[1]棉蚜发生量信息快速获取方法与监测模型的建立研究[D]. 张国龙.石河子大学 2017
硕士论文
[1]基于智能手机黄曲霉菌毒素的快速检测[D]. 张利永.电子科技大学 2019
[2]基于卷积神经网络的病虫害检测算法及移动客户端的研究与实现[D]. 杜冉.安徽大学 2018
[3]基于卷积神经网络的可见光图像农作物病虫害的检测[D]. 卫智熠.哈尔滨工业大学 2017
[4]基于Android的黄瓜病虫害检测系统[D]. 郭彦麟.宁夏大学 2017
[5]基于决策树的棉花病虫害识别研究[D]. 王兴国.华北水利水电大学 2017
[6]基于Android的水稻病虫害图像识别与诊断系统的研究[D]. 张永玲.浙江理工大学 2018
[7]基于Android的棉花红蜘蛛虫害检测技术研究[D]. 王静.石河子大学 2016
[8]基于iOS的棉蚜虫害信息采集与主动服务系统研发[D]. 周文杰.石河子大学 2016
[9]基于Android移动终端的烟草病虫害图像智能识别系统研究[D]. 吴子龙.云南农业大学 2015
[10]基于Android的手机农业专家系统的设计与实现[D]. 王安炜.山东大学 2011
本文编号：3555429
【文章来源】：石河子大学新疆维吾尔自治区 211工程院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
近十年全国棉花及新疆棉花单位面积产量统计图
机器学习结合Android手机的病虫害棉叶识别研究7之后再利用Caffe深度学习对AlexNet以及CaffeNet网络模型进行微调迁移训练，确定训练模型的主要参数。并且对所得模型进行测试；最后将训练所得的机器学习模型进行比较，以模型训练的准确率为标准对三种机器学习方法（支持向量机、极限学习机、卷积神经网络）进行比较得到较优的适用于病虫害棉叶识别的模型。（2）主功能界面的设计开发利用Androidstudio开发图形用户界面，满足用户需求。（3）模型移植使用JNI技术，并利用OpenCV中的Dnn模块将本论文中训练好的较优机器学习模型移植于Android手机。实现病虫害棉叶图像识别。本论文以棉花为主要研究对象，围绕机器学习及移动平台开发相关技术，采取理论分析，模型测试与试验相结合的方法开展研究。通过由浅入深、循序渐进、分步推进的方式使得本论文包含的复杂科学问题得以解决，并最终形成一个完整、系统的软件。本论文的总体研究设计如图1-2所示：首先，对采集的病虫害棉叶进行颜色特征提取，并在此基础上建立病虫害棉叶的数据库模型以为后续的机器学习模型提供数据支撑。其次，对预处理后的数据进行标签分类，借助深度学习（机器学习方法中的一种）框架搭建并训练得到适用于病虫害棉叶识别的机器学习模型。再次，在以上的研究工作基础上，利用AndroidStudio平台开发软件所需的图形用户界面并将训练好的深度学习模型移植于识别软件，最终完成病虫害棉叶识别软件的开发。并且对所建立的模型进行对比试验验证。图1-2总体研究设计Fig.1-2Overallstudydesign
技术路线
【参考文献】：
期刊论文
[1]基于自适应判别深度置信网络的棉花病虫害预测[J]. 王献锋,张传雷,张善文,朱义海. 农业工程学报. 2018(14)
[2]基于卷积神经网络的草莓叶部白粉病病害识别[J]. 杨晋丹,杨涛,苗腾,朱超,沈秋采,彭宇飞,梅珀彰,党雨晴. 江苏农业学报. 2018(03)
[3]基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别（英文）[J]. 潘春华,肖德琴,林探宇,王春桃. 农业工程学报. 2018(08)
[4]深度学习文献综述[J]. 常立娜. 开放学习研究. 2018(02)
[5]机器学习技术在疗养数据挖掘中的应用初探[J]. 李盼盼,谭庆平,曾平,王重,张浩宇,谢勤政,颜颖. 中国医疗设备. 2018(04)
[6]新媒体联盟地平线报告:2017高等教育版[J]. S·亚当斯贝克尔,M·卡明斯,A·戴维斯,A·弗里曼,C·霍尔给辛格,V·安娜塔娜额亚婻,殷丙山,高茜,任直,刘鑫驰,曹红岩,王济军,赵广元,邵恒. 开放学习研究. 2017(02)
[7]基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 杨国国,鲍一丹,刘子毅. 农业工程学报. 2017(06)
[8]基于机器学习的落叶松毛虫发生面积预测模型[J]. 张文一,景天忠,严善春. 北京林业大学学报. 2017(01)
[9]基于分层卷积深度学习系统的植物叶片识别研究[J]. 张帅,淮永建. 北京林业大学学报. 2016(09)
[10]新媒体联盟地平线报告:2016高等教育版[J]. L·约翰逊,S·亚当斯·贝克尔,M·卡明斯,V·埃斯特拉达,A·弗里曼,C·霍尔,殷丙山,高茜,赵广元,李院春,李志强,冯振振. 开放学习研究. 2016(02)
博士论文
[1]棉蚜发生量信息快速获取方法与监测模型的建立研究[D]. 张国龙.石河子大学 2017
硕士论文
[1]基于智能手机黄曲霉菌毒素的快速检测[D]. 张利永.电子科技大学 2019
[2]基于卷积神经网络的病虫害检测算法及移动客户端的研究与实现[D]. 杜冉.安徽大学 2018
[3]基于卷积神经网络的可见光图像农作物病虫害的检测[D]. 卫智熠.哈尔滨工业大学 2017
[4]基于Android的黄瓜病虫害检测系统[D]. 郭彦麟.宁夏大学 2017
[5]基于决策树的棉花病虫害识别研究[D]. 王兴国.华北水利水电大学 2017
[6]基于Android的水稻病虫害图像识别与诊断系统的研究[D]. 张永玲.浙江理工大学 2018
[7]基于Android的棉花红蜘蛛虫害检测技术研究[D]. 王静.石河子大学 2016
[8]基于iOS的棉蚜虫害信息采集与主动服务系统研发[D]. 周文杰.石河子大学 2016
[9]基于Android移动终端的烟草病虫害图像智能识别系统研究[D]. 吴子龙.云南农业大学 2015
[10]基于Android的手机农业专家系统的设计与实现[D]. 王安炜.山东大学 2011
本文编号：3555429
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3555429.html
