病害松樹研究對于預(yù)防和管控松樹林病害有著重大實(shí)際意義,準(zhǔn)確地監(jiān)控松樹的生長狀態(tài),及時發(fā)現(xiàn)和確定發(fā)病松樹的位置,可以盡早控制病情的蔓延。生長在陡峭山坡和茂密樹林里面的松樹,傳統(tǒng)的人工識別方法既費(fèi)力又效率低下,不利于松樹病害的大范圍動態(tài)監(jiān)測,無法保障監(jiān)測的時效性。遙感技術(shù)已被廣泛用于植物病蟲害識別領(lǐng)域,通過遙感圖像獲得病蟲害植物冠層信息,結(jié)合計(jì)算機(jī)視覺技術(shù),可實(shí)現(xiàn)對地物病蟲害目標(biāo)的識別,通過無人機(jī)遙感獲取高分辨率近地遙感圖像,再使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法針對病害松樹目標(biāo)進(jìn)行識別,可以實(shí)現(xiàn)高精度的識別結(jié)果。本文首先介紹了傳統(tǒng)機(jī)器學(xué)習(xí)方法對農(nóng)林業(yè)病害檢測識別情況,包括提取的特征類型、識別精度等,進(jìn)而引出了深度學(xué)習(xí)、增強(qiáng)學(xué)習(xí)等方法檢測病害情況,并將本文實(shí)驗(yàn)結(jié)果同傳統(tǒng)機(jī)器學(xué)習(xí)以及深度學(xué)習(xí)方法進(jìn)行對比。本文主要內(nèi)容如下:1、首先介紹研究區(qū)域的地理環(huán)境、松樹發(fā)病情況,介紹了無人機(jī)型號、參數(shù)等,以及無人機(jī)航拍圖像預(yù)處理情況,在對比實(shí)驗(yàn)中介紹了支持向量機(jī)和反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Network,BP-net）等傳統(tǒng)機(jī)器學(xué)習(xí)方法以及Alex-net、VGG（Visual Geom... 

【文章來源】：安徽大學(xué)安徽省211工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究目的和意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 主要研究內(nèi)容及組織結(jié)構(gòu)
第二章 松樹無人機(jī)圖像獲取和預(yù)處理
    2.1 研究區(qū)域介紹
    2.2 無人機(jī)參數(shù)介紹和圖像獲取、預(yù)處理
    2.3 本章小結(jié)
第三章 基于VGG深度卷積網(wǎng)絡(luò)和AdaBoost算法的病害松樹識別
    3.1 復(fù)雜圖像背景去除
        3.1.1 常用背景去除算法
        3.1.2 VGG
        3.1.3 基于VGG網(wǎng)絡(luò)的復(fù)雜背景去除
    3.2 病害松樹識別
        3.2.1 圖像特征提取
        3.2.2 AdaBoost算法
        3.2.3 基于AdaBoost算法的病害松樹識別
    3.3 算法步驟
    3.4 實(shí)驗(yàn)結(jié)果分析
        3.4.1 實(shí)驗(yàn)圖像和模型參數(shù)
        3.4.2 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第四章 結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)、深度卷積對抗網(wǎng)絡(luò)和AdaBoost算法的病害松樹識別
    4.1 數(shù)據(jù)集及樣本擴(kuò)充
        4.1.1 樣本擴(kuò)充
        4.1.2 基于DCGAN網(wǎng)絡(luò)的樣本擴(kuò)充
    4.2 基于Inception v3 的復(fù)雜背景去除
        4.2.1 Inception網(wǎng)絡(luò)
        4.2.2 Inception v3 網(wǎng)絡(luò)
        4.2.3 基于Inception v3 去除復(fù)雜背景的算法流程
    4.3 基于AdaBoost算法和形態(tài)學(xué)的病害松樹識別
        4.3.1 基于AdaBoost算法的病害松樹初識別
        4.3.2 形態(tài)學(xué)去除小聯(lián)通域和圖像孔洞填充
    4.4 算法步驟和模型參數(shù)
    4.5 實(shí)驗(yàn)結(jié)果和分析
        4.5.1 實(shí)驗(yàn)圖像和模型參數(shù)
        4.5.2 實(shí)驗(yàn)結(jié)果及分析
    4.6 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間取得的學(xué)術(shù)成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]面向?qū)ο驝ART決策樹方法的濕地遙感分類[J]. 姚博,張懷清,劉洋,劉華,凌成星.  林業(yè)科學(xué)研究. 2019(05)
[2]C4.5決策樹分類算法性能分析[J]. 劉瑞玲.  信息系統(tǒng)工程. 2019(01)
[3]基于隨機(jī)森林方法的小麥葉片病害識別研究[J]. 夏永泉,王兵,支俊,黃海鵬,孫靜茹.  圖學(xué)學(xué)報(bào). 2018(01)
[4]基于相關(guān)向量機(jī)的冬小麥蚜蟲遙感預(yù)測[J]. 唐翠翠,黃文江,羅菊花,梁棟,趙晉陵,黃林生.  農(nóng)業(yè)工程學(xué)報(bào). 2015(06)
[5]基于量子神經(jīng)網(wǎng)絡(luò)和組合特征參數(shù)的玉米葉部病害識別[J]. 張飛云.  南方農(nóng)業(yè)學(xué)報(bào). 2013(08)
[6]基于加權(quán)支持向量數(shù)據(jù)描述的遙感圖像病害松樹識別[J]. 胡根生,張學(xué)敏,梁棟,黃林生.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2013(05)
[7]基于圖像識別的小麥腥黑穗病害特征提取與分類[J]. 鄧?yán)^忠,李敏,袁之報(bào),金濟(jì),黃華盛.  農(nóng)業(yè)工程學(xué)報(bào). 2012(03)



本文編號：3628324