【摘要】：在中國(guó),玉米的種植面積廣、總產(chǎn)量高,對(duì)于國(guó)民經(jīng)濟(jì)而言它是一種重要的糧食作物和飼料作物。但是,由于耕作栽培制度的改變、病原菌品種的變異、植物保健措施的不健全等原因造成玉米葉片病害危害程度逐年加重,種類也逐年增多。此問(wèn)題一直制約著玉米產(chǎn)量的提高,并且給農(nóng)民帶來(lái)了極大的經(jīng)濟(jì)損失。因此,對(duì)玉米病害的識(shí)別問(wèn)題越來(lái)越成為人們關(guān)注的焦點(diǎn)。傳統(tǒng)的識(shí)別方式采用肉眼觀察法,較多依靠農(nóng)技人員的個(gè)人經(jīng)驗(yàn)。這種方法對(duì)病害判斷起來(lái)速度稍慢、識(shí)別精確度較低,在很大程度上依賴于人的主觀判斷,并且也不能滿足實(shí)時(shí)性的需求;有的方法先對(duì)圖像進(jìn)行預(yù)處理,再利用支持向量機(jī)(Support Vector Machine,SVM)、概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)等機(jī)器學(xué)習(xí)方法完成病害的分類。此類方法先對(duì)圖像進(jìn)行預(yù)處理,處理過(guò)程復(fù)雜,耗時(shí)較長(zhǎng)且識(shí)別精確度有提升空間。所以,及時(shí)準(zhǔn)確的對(duì)玉米葉片的病害進(jìn)行診斷不僅能夠降低不必要的財(cái)政開(kāi)支和資源消耗,而且還能夠在多變的環(huán)境下獲得較可觀的玉米產(chǎn)量。本文基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)算法,實(shí)現(xiàn)玉米葉片病害的識(shí)別研究。主要包含以下工作:(1)研究深度卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的改變對(duì)于玉米葉片病害識(shí)別精確度的影響,如:改變不同的池化組合方式、添加ReLU函數(shù)以及dropout操作(探究不同dropout閾值對(duì)模型性能的影響情況)、選擇合適的分類器對(duì)結(jié)果進(jìn)行分類等,討論對(duì)于Cifar10和GoogLeNet模型的改進(jìn),改進(jìn)后GoogLeNet模型的top-1平均識(shí)別準(zhǔn)確率達(dá)到98.9%,Cifar10模型的平均準(zhǔn)確度達(dá)到98.8%,改進(jìn)后的模型較改進(jìn)前具有更好的識(shí)別精確度和更低的模型損失。(2)研究當(dāng)數(shù)據(jù)集中圖像數(shù)量一定時(shí),利用超參數(shù)調(diào)整技巧調(diào)整超參數(shù)后,模型性能變化情況,調(diào)整的超參數(shù)包括:“Train batch_size”、“Test batch_size”、“l(fā)r_policy”、“base_lr”和“weight_decay”。此研究基于CNN模型:AlexNet、GoogLeNet和ResNet18。利用以上三種結(jié)構(gòu)訓(xùn)練和測(cè)試玉米葉片圖像數(shù)據(jù)集時(shí),在模型超參數(shù)調(diào)整后,測(cè)試精確度平均分別提高6.075%、6.05%和6.4%;泛化測(cè)試準(zhǔn)確度平均分別提高12.85%、7.025%和11.95%。(3)研究利用數(shù)據(jù)增強(qiáng)技術(shù)對(duì)原始1129張訓(xùn)練圖像數(shù)據(jù)進(jìn)行2倍(2258張)、4倍(4516張)和8倍(9032張)不同比例擴(kuò)大,固定測(cè)試圖像數(shù)量為400張,探究用于訓(xùn)練的圖像數(shù)量對(duì)不同模型性能的影響。對(duì)于AlexNet、GoogLeNet、ResNet18模型,隨著圖像數(shù)量的增大,平均測(cè)試識(shí)別精確度分別從82.6%提升至93%、56.3%提升至91.8%、85.6%提升至92%,網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象逐漸消失且模型性能更加穩(wěn)定。(4)研究在圖像數(shù)量不變和變化時(shí),不同的網(wǎng)絡(luò)結(jié)構(gòu)(網(wǎng)絡(luò)復(fù)雜程度、網(wǎng)絡(luò)深度、網(wǎng)絡(luò)包含參數(shù)個(gè)數(shù)等)作用于不同數(shù)據(jù)集時(shí),模型的性能。實(shí)驗(yàn)結(jié)果表明,不同深度與復(fù)雜度的CNN模型作用于不同的數(shù)據(jù)集時(shí),模型性能好壞與模型結(jié)構(gòu)之間相關(guān)性較弱。
【圖文】：

(a) 階躍函數(shù) (b) sigmoid 函數(shù)(a) step function (b) sigmoid function圖 2-2 激活函數(shù)Figure 2-2 Activation function 感知機(jī)與多層網(wǎng)絡(luò) 2-3 表示一個(gè)簡(jiǎn)單的感知機(jī)，它由兩層簡(jiǎn)單的神經(jīng)元組成。在感知機(jī)中，，外界層來(lái)接收，簡(jiǎn)單處理后再傳遞給由 M-P 神經(jīng)元構(gòu)成的輸出層。在圖 2-3 中，ixi 表示權(quán)重，y 表示輸出。yw1 w2輸入層輸出層

東北農(nóng)業(yè)大學(xué)工學(xué)碩士學(xué)位論文知機(jī)對(duì)訓(xùn)練樣本( x, y )預(yù)測(cè)，當(dāng)結(jié)果預(yù)測(cè)正確時(shí)，即 y = y，感知機(jī)不會(huì)發(fā)生變化，當(dāng)誤時(shí)，權(quán)重將根據(jù)錯(cuò)誤程度進(jìn)行自動(dòng)調(diào)整。在實(shí)際研究中，為了克服感知機(jī)的學(xué)習(xí)能力的局限性，研究人員提出了一個(gè)新的概超平面”。在實(shí)際運(yùn)用中，線性超平面會(huì)劃分線性可分與線性不可分兩種模式。由于、非都是線性可分的問(wèn)題，皆存在一個(gè)線性超平面如圖 2-4 (a)  (c)所示。
【學(xué)位授予單位】：東北農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;TP183;S435.131

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 肖伯祥;吳升;郭新宇;;基于物理約束的玉米葉片建模方法[J];應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào);2018年05期

2 郭春明;李大勇;姚渝麗;任景全;李建平;崔金虎;耿艷秋;;不同生長(zhǎng)狀況下玉米葉片的光合特征研究[J];黑龍江農(nóng)業(yè)科學(xué);2016年10期

3 趙明家;張忠慶;李志洪;;基于高光譜優(yōu)化NDVI值反演玉米葉片氮含量[J];中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào);2014年06期

4 陳國(guó)慶;劉偉;張吉旺;劉鵬;董樹(shù)亭;王洪梅;;基于懸臂梁的超級(jí)玉米葉片伸展特征模擬[J];農(nóng)業(yè)工程學(xué)報(bào);2010年06期

5 趙樹(shù)仁;姚南瑜;;玉米葉片生長(zhǎng)規(guī)律的觀察[J];植物生理學(xué)通訊;1987年06期

6 荊家海,肖慶德;玉米葉片生長(zhǎng)部位滲透調(diào)節(jié)和生長(zhǎng)的生物物理參數(shù)變化[J];植物生理學(xué)報(bào);1988年04期

7 A.M.O.Elwali;曹園國(guó);;玉米葉片中十一種養(yǎng)分的診斷施肥指標(biāo)[J];耕作與栽培;1988年03期

8 文宗群,苑華,陳慶惠;Sc704玉米葉片生長(zhǎng)、根系發(fā)育及穗分化觀察[J];新疆農(nóng)業(yè)科學(xué);1989年02期

9 毛節(jié)

本文編號(hào)：2631101