發(fā)布時間：2021-08-14 23:52

　　稻田害蟲和病害種類繁多,存在種間相似和種類差異的現(xiàn)象,容易混淆,且不同的病蟲害類型對應(yīng)的防治方法也不同,因此實時準確地識別出稻田病蟲害所屬種類是有效開展病蟲害綜合防治的重要前提。目前,我國稻田病蟲害的診斷方式主要依靠人工識別,主觀性強,實時性差,在當(dāng)前水稻病蟲害分類學(xué)家和基層測報人員較少、農(nóng)民專業(yè)知識缺乏的情況下,亟需便捷快速的稻田病蟲害智能診斷工具。針對上述問題,本文以稻田49種害蟲和47種病害作為研究對象,開發(fā)了基于Android和深度學(xué)習(xí)的稻田病蟲害智能診斷系統(tǒng),為基層測報人員和農(nóng)民提供了一個便捷準確的自動診斷工具,主要研究內(nèi)容與結(jié)果如下:（1）稻田病蟲害圖像識別算法的研究。本文針對稻田49種害蟲和47種病害,在Caffe深度學(xué)習(xí)框架下,利用遷移學(xué)習(xí)的方法對卷積神經(jīng)網(wǎng)絡(luò)進行參數(shù)微調(diào),訓(xùn)練了 CaffeNet、GoogleNet、VGGNet、ResNet和DenseNet五個流行的深度學(xué)習(xí)模型,在測試集上獲得了對稻田病蟲害識別效果最好的DenseNet模型,對害蟲和病害識別的準確率分別為94.8%和 91.4%。（2）開發(fā)了稻田病蟲害智能診斷APP客戶端。該客戶端APP主要由5個... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【圖文】：

圖１．１稻田病蟲害智能診斷系統(tǒng)技術(shù)路線圖??

ｅｎｔｉｔｙ??Ｍａｐｐｉｎｇ）。恒等映射不會加深Ｍ絡(luò)的參數(shù)，相當(dāng)于一個退化的淺層網(wǎng)絡(luò)。??如閣２Ｊ所小是一個ＲｅｓＮｅｔ的殘差學(xué)習(xí)單元，其中Ｉ代表輸入圖像，尸⑷為經(jīng)過卷積??操作的輸山，／／（Ａ〇為理想映射輸出，／／（Ａ＞Ｆ（Ａ＂）＋尤通過將擬合殘差函數(shù)巧幻代替擬合Ｕ??ｆｅｌ求Ｉ數(shù)／／（Ａ１，將輸出變＞」擬合和輸入的疊加１７（）】，使得網(wǎng)絡(luò)的輸出對輸入Ｘ的微小變動變得??更加敏感。??Ｆ（Ｘ）?Ｒｅ，ｎ?Ｉ?Ｘ??丨?ｉｄｅｎｔｉｔｙ??Ｗｅｉ＾ｉｔ?ｌａｖｅｒ?／??圖２．３?ＲｅｓＮｅｔ殘差單元??相比丁．普通網(wǎng)絡(luò)在層疊過多的卷積層會出現(xiàn)梯度消失的問題，ＲｅｓＮｅｔ的Ｂａｔｃｈ?ＮｏｒｍＵ??和ＲｅＬＵ層的引用對整個網(wǎng)絡(luò)的訓(xùn)練與測試起到了非常重要的作用［７ｌ］°ＢａｔｃｈＮｏｒｍ通過規(guī)范??化輸入數(shù)據(jù)，改變數(shù)據(jù)的分布，在前向傳播的過程中，防止梯度消失的丨）彳題；ＲｅＬＵ作為祌??經(jīng)Ｍ絡(luò)中的激活層，相比于其他傳統(tǒng)祌經(jīng)Ｍ絡(luò)中的激活函數(shù)，它減少丫梯度彌故的問題所??產(chǎn)生的影響，汴加快丫?Ｍ絡(luò)訓(xùn)練的收斂速度。??普通直連的卷積神經(jīng)Ｎ絡(luò)與ＲｅｓＮｅｔ相比，最直接的差別在于傳統(tǒng)網(wǎng)絡(luò)在信息傳遞時會??１１??

。本Ｎ絡(luò)小僅＋會帶來冗??余，反而會變得更窄，而丨１參數(shù)更少，抑制了過擬合的ｋ樹也減輕了梯度泊失的影響，更??燈效的利用了輸入的特征。??ＤｅｎｓｃＮｃｔ網(wǎng)絡(luò)結(jié)構(gòu)彳要由密集連接塊Ｄｅｎｓｅ?Ｂｌｏｃｋ和過渡層Ｔｒａｎｓｉｔｉｏｎ層組成，其核心??足采用密集連接機制，即知個層都會接受其前面所有層所學(xué)習(xí)的特征閣作為輸入如閣２．４。??在每個Ｄｅｎｓｅ?Ｂｌｏｃｋ中，各個層的特征圖大小一致，可以在通道維度上連接，每層之間采用??丨丨：？線性組合函數(shù)ＢＮ＋ＲｅＬＵ＋３Ｘ３?Ｃｏｎｖ的結(jié)構(gòu)，如圖２．５所示。Ｔｒａｎｓｉｔｉｏｎ?Ｌａｙｅｒ處在兩個Ｄｅｎｓｅ??Ｂｌｏｃｋ］１間，包含１?Ｘ】卷積層和２Ｘ２平均池化層。１?ＸＩ卷積是為丫在Ｄｅｎｓｅ?Ｂｌｏｃｋ結(jié)束）ｕ＇減??少其特征圖的通道數(shù)，２?Ｘ?２池化ＭＷ以降低特征圖的尺寸。??＾?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ。?！?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ?Ｑ?丨丨?Ｄｅｎｓｅ?Ｂｌｏｃｋ?。??ｕ?ｎｙｉ?—?」ｕ?ｕ??Ｔｒａｎｓｉｔｉｏｎ?Ｔｒａｎｓｉｔｉｏｎ??圖２．４?ＤｅｎｓｅＮｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)??１２??

【參考文獻】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的數(shù)字信號多分類識別方法[J]. 楊栩.  汽車實用技術(shù). 2019(21)
[2]Nginx+Keepalived+Tomcat+MySQL高可用負載均衡Web應(yīng)用架構(gòu)實踐[J]. 丘杰雄.  金融科技時代. 2019(11)
[3]基于GoogLeNet的茶葉嫩芽生長狀態(tài)智能識別[J]. 方夢瑞,夏華鵾,周禮贊,呂軍.  黃山學(xué)院學(xué)報. 2019(05)
[4]基于GoogLeNet和ResNet的深度融合神經(jīng)網(wǎng)絡(luò)在脈搏波識別中的應(yīng)用[J]. 張選,胡曉娟.  計算機系統(tǒng)應(yīng)用. 2019(10)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別研究[J]. 邱靖,劉繼榮,曹志勇,李俊杰,楊毅.  云南農(nóng)業(yè)大學(xué)學(xué)報(自然科學(xué)). 2019(05)
[6]基于稀疏表示和決策融合的圖像分類方法[J]. 儲岳中,李家浩,張學(xué)鋒,紀濱.  計算機應(yīng)用與軟件. 2019(07)
[7]儲糧害蟲智能圖鑒及圖像識別APP軟件設(shè)計[J]. 趙彬宇,周慧玲,李江濤,嚴曉平,韓康榕.  糧食儲藏. 2019(03)
[8]基于DenseNet的復(fù)雜交通場景語義分割方法[J]. 蔣斌,涂文軒,楊超,劉虹雨,趙子龍.  模式識別與人工智能. 2019(05)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識別[J]. 劉婷婷,王婷,胡林.  中國水稻科學(xué). 2019(01)
[10]基于深度學(xué)習(xí)的水稻葉部病害識別方法研究[J]. 路陽,郭丹,沈賀,李欣,韓正君.  信息記錄材料. 2018(12)

博士論文
[1]基于表示學(xué)習(xí)及回歸模型的穩(wěn)健人臉識別方法研究[D]. 邰穎.南京理工大學(xué) 2017
[2]基于機器視覺的害蟲識別方法研究[D]. 吳翔.浙江大學(xué) 2016
[3]基于機器視覺的農(nóng)田害蟲快速檢測與識別研究[D]. 韓瑞珍.浙江大學(xué) 2014

碩士論文
[1]基于改進ResNet網(wǎng)絡(luò)的宮頸癌細胞識別[D]. 莊重.北京交通大學(xué) 2019
[2]基于圖像的水稻害蟲計數(shù)與識別的研究[D]. 陳亞龍.江西理工大學(xué) 2019
[3]機器學(xué)習(xí)在水稻病斑圖像識別中的方法研究[D]. 崔麗潔.青島科技大學(xué) 2019
[4]基于深度學(xué)習(xí)的農(nóng)業(yè)燈誘害蟲自動識別與計數(shù)技術(shù)的研究[D]. 周愛明.浙江理工大學(xué) 2019
[5]基于圖像處理的水稻葉部病害快速識別方法研究[D]. 關(guān)瑩.東北農(nóng)業(yè)大學(xué) 2018
[6]基于Jetson TX1的人臉識別算法的研究與實現(xiàn)[D]. 毛禮建.杭州電子科技大學(xué) 2018
[7]基于機器學(xué)習(xí)的水稻病害識別算法的研究[D]. 劉成.安徽大學(xué) 2018
[8]基于深度學(xué)習(xí)的圖像分類和人臉識別算法研究[D]. 鄭弘暉.北京郵電大學(xué) 2018
[9]基于機器視覺的中華稻蝗早期蝗蝻的識別和檢測研究[D]. 楊國國.浙江大學(xué) 2017
[10]基于圖像識別的儲糧害蟲檢測[D]. 王德發(fā).北京郵電大學(xué) 2017



本文編號：3343417