農(nóng)作物病害是農(nóng)業(yè)發(fā)展中面臨的最主要的一個挑戰(zhàn),快速且準確地識別農(nóng)作物病害有利于提早制定治療方案,同時能很大幅度上降低農(nóng)業(yè)經(jīng)濟損失。隨著信息化時代的到來,利用計算機技術(shù)精準又快速的識別農(nóng)作物病害是保證農(nóng)產(chǎn)品產(chǎn)量和質(zhì)量的關(guān)鍵因素,也是推動農(nóng)業(yè)現(xiàn)代化的重要手段。在高度發(fā)展的信息技術(shù)的基礎(chǔ)上,現(xiàn)代大數(shù)據(jù)技術(shù)已為農(nóng)業(yè)發(fā)展開辟了新的可能。大數(shù)據(jù)技術(shù)的本質(zhì)是大規(guī)模收集由農(nóng)業(yè)生產(chǎn)所提供的數(shù)據(jù),并使用相應數(shù)據(jù)來分析模型,最終服務于農(nóng)業(yè)生產(chǎn)。深度學習技術(shù)就是從大量的數(shù)據(jù)中自動挖掘出有利的信息,應用到實際的生產(chǎn)需求中。將深度學習模型應用到農(nóng)作物葉片病害識別工作中,極大程度減少了手工設(shè)計特征的工作量,使得農(nóng)作物葉片病害的智能識別成為了可能。本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物葉片病害識別的分類方法,以蘋果、玉米、葡萄、桃子等較為常見的農(nóng)作物葉片病害圖像作為研究對象,進一步研究卷積神經(jīng)網(wǎng)絡(luò)在農(nóng)作物葉片病害識別中的應用。主要內(nèi)容如下:（1）提出了基于卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉片病害識別方法,對經(jīng)典的VGG16模型進行了改進與優(yōu)化。該算法在每一個卷積層后添加了一個批標準化層,加快模型的訓練速度。在損失函數(shù)方面使用了Ce... 

【文章來源】：安徽大學安徽省 211工程院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

LeNet5模型結(jié)構(gòu)

安徽大學碩士學位論文15圖2.9AlexNet模型結(jié)構(gòu)Figure2.9AlexNetmodelstructure(3)GoogLeNetGoogLeNet對網(wǎng)絡(luò)結(jié)構(gòu)的深度和寬度進一步增加，使得網(wǎng)絡(luò)內(nèi)部的計算機資源得到充分利用。Inception模塊是GoogLeNet結(jié)構(gòu)中最大的亮點，其對圖像多尺度化的處理方式使得模型的參數(shù)量很大幅度上減少。圖2.10GoogLeNet模型結(jié)構(gòu)Figure2.10GoogLeNetmodelstructureInception模塊結(jié)構(gòu)如圖2.11所示：卷積核大小不同的卷積層以及池化層之間的堆疊形成了一個完整的Inception模塊結(jié)構(gòu)，其中的卷積核尺寸有1ⅹ1的，有3ⅹ3的，有5ⅹ5的，使用不同大小的卷積核在提取特征時更加全面。大卷積核可以對全局性特征信息進行提取，小的卷積核更適合用來提取局部性特征信息。Inception結(jié)構(gòu)的設(shè)計在增加網(wǎng)絡(luò)寬度的同時又增加了網(wǎng)絡(luò)對多尺度處理的能力，提升模型的性能。

安徽大學碩士學位論文15圖2.9AlexNet模型結(jié)構(gòu)Figure2.9AlexNetmodelstructure(3)GoogLeNetGoogLeNet對網(wǎng)絡(luò)結(jié)構(gòu)的深度和寬度進一步增加，使得網(wǎng)絡(luò)內(nèi)部的計算機資源得到充分利用。Inception模塊是GoogLeNet結(jié)構(gòu)中最大的亮點，其對圖像多尺度化的處理方式使得模型的參數(shù)量很大幅度上減少。圖2.10GoogLeNet模型結(jié)構(gòu)Figure2.10GoogLeNetmodelstructureInception模塊結(jié)構(gòu)如圖2.11所示：卷積核大小不同的卷積層以及池化層之間的堆疊形成了一個完整的Inception模塊結(jié)構(gòu)，其中的卷積核尺寸有1ⅹ1的，有3ⅹ3的，有5ⅹ5的，使用不同大小的卷積核在提取特征時更加全面。大卷積核可以對全局性特征信息進行提取，小的卷積核更適合用來提取局部性特征信息。Inception結(jié)構(gòu)的設(shè)計在增加網(wǎng)絡(luò)寬度的同時又增加了網(wǎng)絡(luò)對多尺度處理的能力，提升模型的性能。

【參考文獻】：
期刊論文
[1]基于深度殘差網(wǎng)絡(luò)圖像分類算法研究綜述[J]. 趙志成,羅澤,王鵬彥,李健.  計算機系統(tǒng)應用. 2020(01)
[2]基于改進卷積神經(jīng)網(wǎng)絡(luò)的極光圖像分類算法研究[J]. 李彥枝,陳昌紅,謝曉芳.  南京郵電大學學報(自然科學版). 2019(06)
[3]基于Inception-v3卷積神經(jīng)網(wǎng)絡(luò)模型的人臉識別[J]. 雷雨婷,丁學文,孫彥,陳靜,董國軍,李莉.  天津職業(yè)技術(shù)師范大學學報. 2019(04)
[4]深度學習框架Caffe在圖像分類中的應用探析[J]. 許淑揚.  信息與電腦(理論版). 2019(23)
[5]基于Keras的分類預測應用研究[J]. 高云,彭煒.  山西大同大學學報(自然科學版). 2019(05)
[6]應用于番茄病蟲害檢測的HOG特征與LBP特征的結(jié)合[J]. 鄒永杰,張永軍,秦永彬,鄭世均.  南京師范大學學報(工程技術(shù)版). 2019(03)
[7]基于深度學習的圖像識別技術(shù)研究綜述[J]. 張琦,張榮梅,陳彬.  河北省科學院學報. 2019(03)
[8]基于機器視覺圖像提取的馬鈴薯內(nèi)部病蟲害特征識別[J]. 王奕.  食品與機械. 2019(09)
[9]基于二維Gabor小波與AR-LGC的人臉特征提取算法研究[J]. 倪永婧,孫袆,岳瑩,郭志萍,高麗慧,劉微.  河北工業(yè)科技. 2019(04)
[10]多分類器融合的光學遙感圖像目標識別算法[J]. 姬曉飛,石宇辰.  計算機技術(shù)與發(fā)展. 2019(11)

博士論文
[1]小麥病蟲害多尺度遙感識別和區(qū)分方法研究[D]. 袁琳.浙江大學 2015

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識別及實現(xiàn)[D]. 吳健宇.哈爾濱工業(yè)大學 2019



本文編號：3500113