茶葉作為我國(guó)重要的農(nóng)作物之一,常常受到病害的侵染,尤其以茶葉葉片病害為主。茶葉病害的準(zhǔn)確識(shí)別可以為后續(xù)的科學(xué)防治提供施策依據(jù)、減少農(nóng)藥的使用、降低殘留農(nóng)藥對(duì)土壤的污染和防止大面積病害的發(fā)生,同時(shí)提高茶農(nóng)的收入和增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力。本文在研究國(guó)內(nèi)外茶葉病害及其它農(nóng)作物病害的基礎(chǔ)上,構(gòu)建茶葉病害數(shù)據(jù)集,并且提出兩種茶葉病害識(shí)別算法,分別是基于多特征優(yōu)化的茶葉病害識(shí)別方法和改進(jìn)關(guān)系網(wǎng)絡(luò)的茶葉病害識(shí)別方法。具體工作如下:（1）構(gòu)建茶葉病害數(shù)據(jù)集。通過(guò)無(wú)人機(jī)和照相機(jī)等設(shè)備采集綠茶葉片圖像,構(gòu)建茶葉葉片病害數(shù)據(jù)集,包括兩個(gè)數(shù)據(jù)子集。其中,一個(gè)數(shù)據(jù)集包含三類茶葉葉片數(shù)據(jù),分別是正常茶葉葉片、感染茶赤葉斑病葉片和感染茶圓赤星病葉片,共100幅圖像;另一個(gè)數(shù)據(jù)集包含如茶黑煤病、茶炭疽病等五類茶葉葉片數(shù)據(jù),共209幅圖像,用于測(cè)試茶葉病害識(shí)別算法的病害識(shí)別能力。（2）提出了基于多特征優(yōu)化的茶葉病害識(shí)別算法。以正常茶葉葉片、感染茶赤葉斑病茶葉葉片和感染茶圓赤星病茶葉葉片圖像為研究對(duì)象。首先,采用方向梯度直方圖和Inception v3模型分別提取茶葉圖像特征;然后,基于提出的多特征優(yōu)化算法對(duì)兩類特征進(jìn)行特征優(yōu)化... 

【文章來(lái)源】：安徽大學(xué)安徽省 211工程院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

茶葉病害識(shí)別流程

第一章緒論4（1）數(shù)據(jù)的采集一般情況下，深度學(xué)習(xí)方法需要大量標(biāo)注良好的數(shù)據(jù)才能獲得較好的實(shí)驗(yàn)結(jié)果。因此，數(shù)據(jù)的獲取成為了一個(gè)關(guān)鍵的問(wèn)題。茶園面積大，通過(guò)固定照相機(jī)覆蓋整個(gè)茶園的方式，費(fèi)用較昂貴；手持相機(jī)獲取茶葉圖像覆蓋率有限，而且需要花費(fèi)大量的人力成本；采用無(wú)人機(jī)等方式拍攝的茶園圖像針對(duì)處于初期的茶葉病斑無(wú)法起到很好的預(yù)警效果，而且數(shù)據(jù)處理相對(duì)復(fù)雜。（2）數(shù)據(jù)的處理和標(biāo)注數(shù)據(jù)的處理一直都是一項(xiàng)繁雜的工作。對(duì)于茶葉數(shù)據(jù)的標(biāo)注，需要有經(jīng)驗(yàn)的茶農(nóng)甚至是農(nóng)業(yè)專家的指導(dǎo)，沒(méi)有經(jīng)驗(yàn)的研究人員對(duì)于茶葉病害數(shù)據(jù)可能會(huì)有錯(cuò)誤的標(biāo)注，導(dǎo)致模型無(wú)法很好的訓(xùn)練。暫未發(fā)現(xiàn)存在一個(gè)權(quán)威、統(tǒng)一且公開(kāi)的茶葉病害識(shí)別數(shù)據(jù)集，使得不同類型的茶葉病害識(shí)別方法不能在同一個(gè)數(shù)據(jù)集上測(cè)試和比較。（3）數(shù)據(jù)復(fù)雜茶葉病害的類型繁雜，而且受到自然場(chǎng)景采集茶葉葉片圖像的影響。圖像容易受到光照、遮擋、拍攝角度和背景等因素的影響，會(huì)增大同類樣本之間的差異，即類內(nèi)差異大，使得茶葉病害的識(shí)別難度增加，降低茶葉病害的識(shí)別率。圖1.2茶葉葉片圖像受到不同環(huán)境因素的影響Fig.1.2Tealeafimagesareaffectedbydifferentenvironmentalfactors（4）過(guò)擬合和欠擬合過(guò)擬合和欠擬合是卷積神經(jīng)網(wǎng)絡(luò)常常出現(xiàn)的問(wèn)題，是網(wǎng)絡(luò)的擬合能力與數(shù)據(jù)復(fù)雜度間不匹配的結(jié)果。過(guò)擬合一般在訓(xùn)練數(shù)據(jù)集上表現(xiàn)良好，但在測(cè)試集上表現(xiàn)不佳。欠擬合在訓(xùn)練集和測(cè)試集上都表現(xiàn)較差。受到茶葉數(shù)據(jù)集的規(guī)模、質(zhì)量、網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)、優(yōu)化方式和超參數(shù)設(shè)置等因素的影響，茶葉病害算法容易過(guò)擬合或欠擬合，算法的預(yù)測(cè)準(zhǔn)確性、魯棒性和泛化性等還有很大的提升空間。

安徽大學(xué)碩士學(xué)位論文7第二章茶葉病害識(shí)別理論與數(shù)據(jù)集2009年圖像公開(kāi)數(shù)據(jù)集Imagenet的發(fā)布，使得眾多的專家和學(xué)者意識(shí)到數(shù)據(jù)的重要性以及它在研究領(lǐng)域中的地位。數(shù)據(jù)的數(shù)量和質(zhì)量將大大影響模型（算法）的性能。因此，數(shù)據(jù)在深度學(xué)習(xí)的三大核心要素中占有一席之地。本章除了介紹卷積神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)和小樣本學(xué)習(xí)相關(guān)概念，還將介紹本文采用的公開(kāi)數(shù)據(jù)集，包括Omniglot，miniImageNet和農(nóng)作物病害檢測(cè)數(shù)據(jù)集，詳細(xì)介紹本文構(gòu)建的茶葉葉片圖像數(shù)據(jù)集，將用于訓(xùn)練、測(cè)試本文提出的茶葉病害識(shí)別算法。2.1卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)(DeepLearning,DL)的核心算法之一，是一種處理已知網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)。受到動(dòng)物的視覺(jué)系統(tǒng)啟發(fā)，采用局部連接和參數(shù)共享的原理，在減少參數(shù)的情況下，保證網(wǎng)絡(luò)的性能，全連接神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2.1和圖2.2所示。LeCun在上世紀(jì)90年代提出LeNet-5模型，用于解決手寫(xiě)數(shù)字識(shí)別問(wèn)題，其中的基礎(chǔ)架構(gòu)和理論成為神經(jīng)網(wǎng)絡(luò)的基石。在2012年的ImageNet競(jìng)賽上，卷積神經(jīng)網(wǎng)絡(luò)AlexNet一舉奪得冠軍，top-5的錯(cuò)誤率比當(dāng)時(shí)排名第二的方法低11%左右。從那時(shí)起，在眾多學(xué)者和專家的努力下，在大規(guī)模標(biāo)注數(shù)據(jù)和強(qiáng)大計(jì)算機(jī)算力的基礎(chǔ)上，神經(jīng)網(wǎng)絡(luò)爆發(fā)出強(qiáng)大的活力和表現(xiàn)出優(yōu)異的性能�，F(xiàn)在，VGG、Inception系列、ResNet、MobileNet等網(wǎng)絡(luò)的提出，使得卷積神經(jīng)網(wǎng)絡(luò)更加強(qiáng)大。在圖像識(shí)別、物體檢測(cè)、自動(dòng)駕駛、自動(dòng)控制等領(lǐng)域都取得很大的成功。卷積神經(jīng)網(wǎng)絡(luò)由卷積層、池化層、激活函數(shù)層以及全連接層等結(jié)構(gòu)組成，下面將詳細(xì)闡述卷積神經(jīng)網(wǎng)絡(luò)相關(guān)的知識(shí)以及它的結(jié)構(gòu)。圖2.1全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2.1Schematicdiagramoffullyconnectedneuralnetwork

【參考文獻(xiàn)】：
期刊論文
[1]基于one-shot學(xué)習(xí)的小樣本植物病害識(shí)別[J]. 任勝男,孫鈺,張海燕,郭麗霞.  江蘇農(nóng)業(yè)學(xué)報(bào). 2019(05)
[2]基于高階殘差和參數(shù)共享反饋卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病害識(shí)別[J]. 曾偉輝,李淼,李增,熊焰.  電子學(xué)報(bào). 2019(09)
[3]基于熒光透射譜和高光譜圖像紋理的茶葉病害預(yù)測(cè)研究[J]. 蘆兵,孫俊,楊寧,武小紅,周鑫.  光譜學(xué)與光譜分析. 2019(08)
[4]茶樹(shù)病害智能診斷識(shí)別算法研究[J]. 林彬彬,邱新法,何永健,朱曉晨,張陽(yáng).  江蘇農(nóng)業(yè)科學(xué). 2019(06)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的農(nóng)作物病害和雜草圖像識(shí)別研究[D]. 王敬賢.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[2]基于深度學(xué)習(xí)的茶葉嫩芽檢測(cè)和葉部病害圖像識(shí)別研究[D]. 孫肖肖.山東農(nóng)業(yè)大學(xué) 2019
[3]基于深度學(xué)習(xí)的農(nóng)作物病害識(shí)別[D]. 李凱雨.河南農(nóng)業(yè)大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的小麥葉部病害圖像識(shí)別研究[D]. 林中琦.山東農(nóng)業(yè)大學(xué) 2018
[5]基于圖像特征的茶葉病害識(shí)別方法研究[D]. 王佳平.南京農(nóng)業(yè)大學(xué) 2017



本文編號(hào)：3504959