隨著信息技術(shù)的快速持續(xù)發(fā)展,標(biāo)準(zhǔn)化、數(shù)字化、無損傷、實時監(jiān)測識別植物病害,成為植物病害診斷的發(fā)展趨勢。近年來隨著大田作物種植面積不斷擴大,大田作物受各種病蟲害的影響也逐漸擴大,嚴(yán)重威脅著大田作物的質(zhì)量和產(chǎn)量,農(nóng)戶的經(jīng)濟收入也受到不同程度的影響。通過大量研究表明,大多數(shù)病蟲害侵害的部位均為植物葉片表面,影響葉片的正常生長,且不同的病害在葉片上呈現(xiàn)的輪廓、顏色、紋理等特征也各有差異。因此,如何高效地預(yù)測和診斷作物葉部病害,是目前急需解決的問題之一。但目前作物病害診斷大多仍依靠專業(yè)人員的觀察和工作經(jīng)驗來進行判斷,效率不高且無法做到病害診斷的準(zhǔn)確性和及時性。針對以上問題,本文綜合應(yīng)用圖像處理技術(shù)、高光譜檢測技術(shù)、光譜分析技術(shù)等諸多領(lǐng)域的知識,開展對大豆、玉米和人參葉片的主要病害的快速、無損的識別方法研究,并在此基礎(chǔ)上設(shè)計和建立了作物葉片病害識別系統(tǒng)。本文主要研究內(nèi)容如下:（1）對病害圖像進行了數(shù)據(jù)量的擴展和預(yù)處理。根據(jù)病害葉片圖像數(shù)據(jù)集的特點,通過幾何變換和強度變換對原始圖像進行數(shù)據(jù)量的擴展,對圖像進行了預(yù)處理,包括對圖像尺寸進行縮放、圖像增強和圖像歸一化。（2）利用卷積神經(jīng)網(wǎng)絡(luò)對大豆、玉米和... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【部分圖文】：

經(jīng)典神經(jīng)網(wǎng)絡(luò)

第二章卷積神經(jīng)網(wǎng)絡(luò)與光譜分析方法理論基礎(chǔ)9第二章卷積神經(jīng)網(wǎng)絡(luò)與光譜分析方法理論基礎(chǔ)2.1卷積神經(jīng)網(wǎng)絡(luò)概述2.1.1神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)技術(shù)的重要分支之一，也是深度學(xué)習(xí)的基礎(chǔ)[54]。如圖2.1所示，為三層次的經(jīng)典神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，其結(jié)構(gòu)中的輸入層與輸出層的節(jié)點數(shù)目按照訓(xùn)練需求固定，而中間層的節(jié)點個數(shù)可以根據(jù)算法需求自由設(shè)定，該結(jié)構(gòu)圖中的箭頭與拓撲方向表示著訓(xùn)練過程中的數(shù)據(jù)流向，結(jié)構(gòu)圖中的關(guān)鍵是神經(jīng)元之間的連接，每個連線都有著不同的權(quán)重(其值稱為權(quán)值)，權(quán)重大小通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練確定，神經(jīng)網(wǎng)絡(luò)的原理是由無數(shù)個神經(jīng)元和神經(jīng)連線組成[55]。數(shù)據(jù)在神經(jīng)元之間的傳輸過程如圖2.2所示。圖2.1經(jīng)典神經(jīng)網(wǎng)絡(luò)圖2.2數(shù)據(jù)在單個神經(jīng)元傳輸流程設(shè)圖中輸入1、輸入2和輸入3分別用、和表示，權(quán)值1、權(quán)值2和權(quán)值3分別用、和表示，偏置項為b，非線性函數(shù)用表示，其輸出值用公式2-1表示：

(a)最大

【參考文獻】：
期刊論文
[1]基于改進型加性余弦間隔損失函數(shù)的深度學(xué)習(xí)人臉識別[J]. 章東平,陳思瑤,李建超,周志洪,孫水發(fā).  傳感技術(shù)學(xué)報. 2019(12)
[2]吉林省大豆生產(chǎn)現(xiàn)狀及對策[J]. 張曉慧,李忠南,姜海英,謝衛(wèi)平,艾東,劉穎,李光發(fā).  農(nóng)業(yè)科技通訊. 2019(10)
[3]逐步判別分析法在鳶尾花分類中的研究[J]. 代雪珍,喬亞琴,曹高飛.  科技經(jīng)濟導(dǎo)刊. 2019(23)
[4]基于改進深度卷積神經(jīng)網(wǎng)絡(luò)的蘋果病害識別[J]. 張善文,張晴晴,李萍.  林業(yè)工程學(xué)報. 2019(04)
[5]吉林省種植業(yè)供給側(cè)結(jié)構(gòu)性改革研究[J]. 趙悅.  東北農(nóng)業(yè)科學(xué). 2019(02)
[6]基于CNN的三維人體姿態(tài)估計方法[J]. 肖澳文,劉軍,張?zhí)K沛,杜壯,孫思琪.  武漢工程大學(xué)學(xué)報. 2019(02)
[7]基于高光譜成像和模式識別的無損檢測蘋果表面損傷[J]. 孟慶龍,張艷,尚靜.  光電子·激光. 2019(03)
[8]吉林省人參加工產(chǎn)業(yè)發(fā)展分析及建議[J]. 高陽,康優(yōu),王勇.  東北農(nóng)業(yè)科學(xué). 2019(01)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號處理. 2018(12)
[10]向日葵葉部病害圖像分割方法[J]. 李艷雪,呂芳.  計算機技術(shù)與發(fā)展. 2019(05)

博士論文
[1]基于高光譜成像技術(shù)的茄子葉片色差值檢測和早疫病識別方法研究[D]. 謝傳奇.浙江大學(xué) 2015
[2]基于核磁共振成像的梨果品質(zhì)無損檢測方法研究[D]. 周水琴.浙江大學(xué) 2013
[3]基于計算機視覺和光譜分析技術(shù)的蔬菜葉部病害診斷研究[D]. 柴阿麗.中國農(nóng)業(yè)科學(xué)院 2011
[4]吉林省玉米加工產(chǎn)業(yè)發(fā)展戰(zhàn)略環(huán)境評價研究[D]. 龍振永.吉林大學(xué) 2007

碩士論文
[1]基于遠程監(jiān)測點的作物圖像種類自動識別[D]. 于洋.黑龍江八一農(nóng)墾大學(xué) 2019
[2]基于葉綠素?zé)晒夤庾V分析的玉米葉片光合生理信息檢測[D]. 張雨晴.吉林大學(xué) 2018
[3]基于非下采樣輪廓波SPP Net的高分辨SAR圖像變化檢測[D]. 楊爭艷.西安電子科技大學(xué) 2018
[4]基于神經(jīng)網(wǎng)絡(luò)的深度圖像遮擋邊界檢測方法研究[D]. 董利健.燕山大學(xué) 2018
[5]深度學(xué)習(xí)在車牌識別中的應(yīng)用研究[D]. 張宇澄.南京大學(xué) 2018
[6]基于隨機權(quán)神經(jīng)網(wǎng)絡(luò)的重置多分類算法研究[D]. 楊孝玉.浙江工商大學(xué) 2018
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類算法研究[D]. 郭田梅.濟南大學(xué) 2017
[8]基于葉綠素?zé)晒夤庾V分析的生菜葉片硝酸鹽檢測與評價[D]. 趙紅星.吉林大學(xué) 2017
[9]應(yīng)用于三維場景目標(biāo)識別的匹配方法研究[D]. 王曉白.中國科學(xué)院研究生院(西安光學(xué)精密機械研究所) 2010
[10]智能教室手勢識別算法研究及交互原型系統(tǒng)設(shè)計[D]. 王興華.西安電子科技大學(xué) 2009



本文編號：3395658