平菇是我國六大主要食用菌品種之一,其年消耗量和出口量均非常可觀。在食用菌工廠化生產(chǎn)的大前提下,平菇的自動化栽培和管理也得到了很好的實(shí)現(xiàn)。由于平菇自身具有形狀不規(guī)則、子實(shí)體細(xì)嫩、容易破損的物理特性,導(dǎo)致其自動收獲技術(shù)始終難以實(shí)現(xiàn)。為了防止平菇的自動收獲設(shè)備在執(zhí)行采摘命令時(shí)對平菇子實(shí)體造成破壞,影響經(jīng)濟(jì)效益,就需要對平菇進(jìn)行精準(zhǔn)識別的研究。論文首先對采集到的圖像進(jìn)行篩選整理,剔除不達(dá)標(biāo)圖像后對剩余圖像中目標(biāo)分布相對集中的區(qū)域進(jìn)行截取和縮放處理,使其大小統(tǒng)一為400*400,以600個(gè)處理后的圖像作為正樣本數(shù)據(jù)集,再截取400個(gè)經(jīng)過同樣方法處理的具有代表性的背景區(qū)域圖像,統(tǒng)一縮放處理后作為負(fù)樣本,與正樣本一起作為神經(jīng)網(wǎng)絡(luò)識別所需的數(shù)據(jù)集。隨機(jī)各抽取百分之八十的樣本為訓(xùn)練集,其余百分之二十為測試集。另外還對采集到的圖像進(jìn)行灰度化、背景分割和圖像濾波處理,用以提取這些圖像中平菇的特征參數(shù),作為驗(yàn)證識別的準(zhǔn)備工作。論文的核心工作是利用卷積神經(jīng)網(wǎng)絡(luò)對采集到的平菇圖像進(jìn)行識別。通過對經(jīng)典LeNet-5網(wǎng)絡(luò)模型加以改進(jìn),得到適合平菇識別的改進(jìn)模型。對模型中卷積層數(shù)、各層的卷積核數(shù)量、大小以及采樣單元的尺... 

【文章來源】：吉林農(nóng)業(yè)大學(xué)吉林省

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【部分圖文】：

平菇圖像

最終試驗(yàn)所需的數(shù)據(jù)集由兩個(gè)樣本集合組成，分別為正樣本（600 個(gè)）和負(fù)樣本（400 個(gè)），如圖2.2 所示�？梢钥闯鰧�(shí)際截取后的樣本數(shù)量大大多于采集到的圖片數(shù)量，這是由于同一張圖像中可能會有多簇互不重疊的平菇，背景部分的截取則具有更強(qiáng)的靈活性。從正、負(fù)樣本中隨機(jī)抽取 80%構(gòu)建一個(gè)訓(xùn)練集，剩下的 20%樣本作為測試集。正、負(fù)樣本的數(shù)據(jù)集將用于神經(jīng)網(wǎng)絡(luò)識別模型的訓(xùn)練和測試，同時(shí)也是網(wǎng)絡(luò)參數(shù)優(yōu)化的數(shù)據(jù)來源。（1）正樣本（2）負(fù)樣本圖 2.2 正、負(fù)樣本示例Fig 2.2 Positive and negative examples2.3 平菇圖像的預(yù)處理選取 50 幅符合條件的平菇圖像作為驗(yàn)證試驗(yàn)的準(zhǔn)備材料，將其轉(zhuǎn)換為 BMP格式并調(diào)整分辨率為 800*600 像素，以圖 2.1 為例，對這些圖像進(jìn)行預(yù)處理。2.3.1 灰度化圖像處理的首要步驟對彩色圖像進(jìn)行灰度處理。選用合適的灰度化處理方法可以有效地突出圖像中的目標(biāo)部分，弱化其他與目標(biāo)無關(guān)的部分，進(jìn)而獲悉研究目標(biāo)最本質(zhì)的特征。而灰度化處理的實(shí)質(zhì)是利

菇和菌包顏色非常接近，兩者的灰度分原始圖像進(jìn)行轉(zhuǎn)換都無法完整的突出排除干擾法對采集到的蘑菇圖像進(jìn)行所有像素點(diǎn)排列成一個(gè) 800*600 的矩本身的顏色接近灰白色，其顏色特征短處理時(shí)間，優(yōu)化系統(tǒng)時(shí)效性，選取單行研究即可滿足試驗(yàn)要求。經(jīng)分析可，從圖像左側(cè)邊緣一直延伸到了右側(cè)中 X 軸代表行數(shù)，Y 軸代表灰度疊加范圍，就可以有效排除掉菌包部分的

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)Otsu算法的生菜葉片圖像分割方法[J]. 孫俊,宋佳,武小紅,李玉婷.  江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農(nóng)業(yè)工程學(xué)報(bào). 2018(02)
[3]中國食用菌工廠化栽培待克服的技術(shù)難點(diǎn)[J]. 木村榮一,王建兵.  食藥用菌. 2018(01)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的小樣本圖像識別方法[J]. 段萌,王功鵬,牛常勇.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(01)
[5]基于中值濾波和直方圖均衡化的圖像增強(qiáng)方法研究[J]. 苗水清,張靜,黃昌軍.  無線互聯(lián)科技. 2017(22)
[6]幾種圖像濾波處理方法比較[J]. 徐莉莉.  電腦知識與技術(shù). 2017(31)
[7]基于PReLUs-Softplus非線性激勵函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)[J]. 郜麗鵬,鄭輝.  沈陽工業(yè)大學(xué)學(xué)報(bào). 2018(01)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究[J]. 張榮磊,田愛奎,譚浩,鄭睿.  山東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[9]基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別方法[J]. 高強(qiáng).  電子世界. 2017(17)
[10]基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別應(yīng)用[J]. 肖瑩.  科技經(jīng)濟(jì)導(dǎo)刊. 2017(24)

博士論文
[1]圖像特征提取方法及其應(yīng)用研究[D]. 劉淑琴.西北大學(xué) 2016

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別方法研究[D]. 宋月.東北石油大學(xué) 2017
[2]玉米大豆水稻圖像識別方法研究[D]. 李妍.黑龍江八一農(nóng)墾大學(xué) 2017
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學(xué) 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理與識別算法研究[D]. 滿鳳環(huán).江南大學(xué) 2017
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[D]. 楊子文.廣西師范大學(xué) 2017
[6]邊緣檢測方法研究及應(yīng)用[D]. 王章鋒.天津工業(yè)大學(xué) 2017
[7]基于端到端深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別算法[D]. 陳華官.浙江大學(xué) 2017
[8]基于深度學(xué)習(xí)算法的圖像識別技術(shù)的應(yīng)用研究[D]. 周玉松.北京郵電大學(xué) 2017
[9]基于深度學(xué)習(xí)的圖像識別應(yīng)用研究[D]. 周凱龍.北京工業(yè)大學(xué) 2016
[10]卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化及其在圖像識別中的應(yīng)用[D]. 李媛媛.沈陽工業(yè)大學(xué) 2016



本文編號：3101082