植物病害是危害蔬菜品質(zhì)的主要因素之一,很大程度上損害農(nóng)民經(jīng)濟收入,黃瓜在其生長周期中極易受到病害威脅,大規(guī)模、高密度的種植方式給傳統(tǒng)的病害防治措施帶來了巨大挑戰(zhàn)。傳統(tǒng)的病害防治方法通過人眼觀察或者侵染性實驗,該方法具有效率低下、主觀性強等缺點,并且過量地使用化學農(nóng)藥不僅會導(dǎo)致農(nóng)藥殘留、植物抗藥性的問題,同時對環(huán)境造成污染。機器視覺、人工智能等相關(guān)技術(shù)在農(nóng)業(yè)領(lǐng)域被廣泛應(yīng)用,特別是在植物病害識別和果實品質(zhì)檢測等相關(guān)領(lǐng)域取得優(yōu)異成果,故本文將不同病害程度的黃瓜葉片病害圖像作為研究對象,利用機器視覺和深度學習等相關(guān)技術(shù)對黃瓜葉部病害程度分級識別方法進行研究,對提高農(nóng)產(chǎn)品品質(zhì)和保證農(nóng)業(yè)生態(tài)環(huán)境的綠色、可持續(xù)發(fā)展具有重要意義。本論文針對自然背景下不同病害程度的3種黃瓜葉部主要病害類型的分級識別方法進行研究,主要包括以下內(nèi)容:（1）對采集的不同病害程度的黃瓜葉片圖像進行數(shù)據(jù)增強處理,將黃瓜葉片病害圖像進行旋轉(zhuǎn)、扭曲、鏡像變換、添加噪聲等多種幾何變換方法并且不改變圖像的類別和屬性,擴充數(shù)據(jù)集樣本,解決訓練樣本不足的問題,在訓練中減少模型過擬合問題,并按照一定比例將創(chuàng)建的數(shù)據(jù)集劃分為訓練集和測試集。（2... 

【文章來源】：西京學院陜西省

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

000-2016年我國設(shè)施蔬菜面積（萬畝）

ecision Tree）是一種常見的非參數(shù)監(jiān)督學習的機器學析的圖解法，主要依據(jù)已知的數(shù)據(jù)來推斷數(shù)據(jù)特征[34]。該方法在使用過程中，易于理解和實現(xiàn)，在相出相對精準的預(yù)測，模型也易于通過靜態(tài)測識進行性、有時間序的數(shù)據(jù)，需要進行大量繁瑣的預(yù)處理出現(xiàn)錯誤。決策樹是一種樹形結(jié)構(gòu)，內(nèi)部節(jié)點表示分支進行表示，一個類別用每個葉片進行表示，它.1 所示1234 5 6根節(jié)點

KNN算法示意圖

【參考文獻】：
期刊論文
[1]基于可見光譜和支持向量機的黃瓜葉部病害識別方法研究[J]. 李鑫星,朱晨光,白雪冰,毛富煥,傅澤田,張領(lǐng)先.  光譜學與光譜分析. 2019(07)
[2]基于改進VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識別模型[J]. 張建華,孔繁濤,吳建寨,翟治芬,韓書慶,曹姍姍.  中國農(nóng)業(yè)大學學報. 2018(11)
[3]基于區(qū)分深度置信網(wǎng)絡(luò)的病害圖像識別模型[J]. 宋麗娟.  計算機工程與應(yīng)用. 2017(21)
[4]基于改進卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學報. 2017(19)
[5]Texture image classification with discriminative neural networks[J]. Yang Song,Qing Li,Dagan Feng,Ju Jia Zou,Weidong Cai.  Computational Visual Media. 2016(04)
[6]基于顏色特征的油菜害蟲機器視覺診斷研究[J]. 朱莉,羅靖,徐勝勇,楊勇,趙海濤,李衛(wèi)豪.  農(nóng)機化研究. 2016(06)
[7]復(fù)雜背景下小麥葉部病害圖像分割方法研究[J]. 張武,黃帥,汪京京,劉連忠.  計算機工程與科學. 2015(07)
[8]基于局部判別映射算法的玉米病害識別方法[J]. 張善文,張傳雷.  農(nóng)業(yè)工程學報. 2014(11)
[9]基于壓縮感知理論的蘋果病害識別方法[J]. 霍迎秋,唐晶磊,尹秀珍,方勇.  農(nóng)業(yè)機械學報. 2013(10)
[10]深度學習的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)



本文編號：3385077