隨著“互聯(lián)網(wǎng)+”農(nóng)業(yè)項(xiàng)目的推進(jìn),農(nóng)業(yè)園區(qū)內(nèi)設(shè)置大批定點(diǎn)攝像頭采集作物圖像信息,在此過程中產(chǎn)生了大量無標(biāo)簽作物圖像,至今圖像數(shù)量已到無法人工目視識別的程度。因此,急需一種有效的方法實(shí)現(xiàn)作物圖像種類的自動(dòng)識別。以往的作物識別有采用遙感等技術(shù)獲取樣本進(jìn)行人工特征提取,如支持向量機(jī)等方法。參閱相關(guān)研究可知,支持向量機(jī)是較好的分類器之一,但適用于小樣本;人工觀測需要大量勞動(dòng)力,且識別精度有待提高;遙感采集的范圍較廣但易受環(huán)境影響。隨著圖像識別技術(shù)的發(fā)展,利用機(jī)器學(xué)習(xí)的方法進(jìn)行作物圖像識別已逐漸得到了應(yīng)用。其中,卷積神經(jīng)網(wǎng)絡(luò)是目前流行的機(jī)器學(xué)習(xí)算法之一,并在圖像識別等領(lǐng)域使用較廣。因此,本研究采用卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)作物種類圖像識別。首先,基于定點(diǎn)攝像頭采集大豆、馬鈴薯、水稻和玉米作物圖像,根據(jù)作物各生長期的形態(tài)目視分類建立數(shù)據(jù)集,并采用分層和等距采樣的方法對數(shù)據(jù)集進(jìn)行隨機(jī)劃分。其中,小樣本數(shù)據(jù)集的訓(xùn)練集為400張,測試集為200張;結(jié)合圖像增廣技術(shù)的大樣本數(shù)據(jù)集訓(xùn)練集12620張,測試集6310張。為了節(jié)約網(wǎng)絡(luò)運(yùn)行時(shí)間,將劃分后的作物圖像進(jìn)行預(yù)處理,包括隨機(jī)剪裁、縮放、灰度化等。其次,建立三種作物圖像識別模型包括:AlexNet深度網(wǎng)絡(luò)的模型遷移學(xué)習(xí);結(jié)合AlexNet深度模型與PSO(粒子群)算法;參照LeNet-5模型結(jié)構(gòu)設(shè)計(jì)了適用于本研究的作物識別網(wǎng)絡(luò)模型(LeNet-m)。為了測試模型的泛化能力,先采用小樣本數(shù)據(jù)集進(jìn)行試驗(yàn),由于AlexNet模型屬于深度模型,為了防止模型過擬合預(yù)先使用ImageNet數(shù)據(jù)集進(jìn)行模型訓(xùn)練。參閱相關(guān)研究,三種模型先進(jìn)行5次迭代的等量試驗(yàn),由于LeNet-m屬于輕量級模型,時(shí)間允許范圍內(nèi),模型迭代次數(shù)進(jìn)一步設(shè)置為50和100。再次,基于以上迭代步數(shù)的小樣本數(shù)據(jù)集,AlexNet模型遷移學(xué)習(xí)、AlexNet與PSO(粒子群)結(jié)合和LeNet-m的最優(yōu)識別結(jié)果分別為85.94%、92.97%和95.5%�？紤]三種模型的識別率、模型運(yùn)行時(shí)間、硬件要求及模型性能等方面,選擇對LeNet-m進(jìn)行模型參數(shù)優(yōu)化。試驗(yàn)表明,基于大數(shù)據(jù)集的LeNet-m模型識別結(jié)果最終可以達(dá)到99.38%。最后,為了增強(qiáng)模型的可用性,實(shí)現(xiàn)作物種類圖像識別的自動(dòng)化,本研究基于Matlab GUI進(jìn)行作物圖像識別系統(tǒng)設(shè)計(jì)。對后期有針對性的對作物種類圖像的長勢、健康狀況等實(shí)現(xiàn)遠(yuǎn)程監(jiān)測智能決策管理具有一定的研究意義。
【學(xué)位單位】：黑龍江八一農(nóng)墾大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP391.41;S126
【部分圖文】：

技術(shù)路線

圖 2-1 卷積運(yùn)算示意圖Fig. 2-1 Convolution operation diagram2.1.1 卷積神經(jīng)網(wǎng)絡(luò)特性卷積神經(jīng)網(wǎng)絡(luò)模仿生物的視覺感知（visual perception），可以直接輸入原始圖像或其他數(shù)據(jù)[86-90]。權(quán)重共享可以減少網(wǎng)絡(luò)中的自由參數(shù)的數(shù)量[91]，降低了網(wǎng)絡(luò)模型的復(fù)雜性，處理更高維度的圖像[92]。不僅具有傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的自適應(yīng)等優(yōu)點(diǎn)[93]，還具有自動(dòng)提取特征等特點(diǎn)。（1）稀疏連接（sparse connectivity）卷積運(yùn)算具有稀疏連接的特性，每個(gè)神經(jīng)元僅連接到上層中的部分神經(jīng)元[94]，減少了權(quán)重的數(shù)量，降低計(jì)算的復(fù)雜度，提高模型的泛化能力。如圖 2-2 所示，xi表示輸入單元，ci表示輸出單元。在稀疏連接時(shí)，c 中的元素由 x 經(jīng)過 3×3 的卷積核卷積產(chǎn)生，c3單元僅與x2、x3和 x4存在連接關(guān)系；在非稀疏連接時(shí)，由于 c 是由矩陣乘法產(chǎn)生的，所有的輸入會(huì)

圖 2-2 稀疏連接示意圖Fig. 2-2 Sparse connection diagram絡(luò)可以通過局部感知獲得全局信息，數(shù)學(xué)表達(dá)如公式（2-1）所示： iiiiRF RF stride Ksize 11中，RFi表示第 i 層卷積層的感受野，RFi+1 表示（i+1）層上的感受野長，Ksize 表示該層的卷積核的大小。2）參數(shù)共享（parameter sharing）數(shù)共享表示相同的參數(shù)被使用于同一模型的多個(gè)函數(shù)中，局部連接使得每個(gè)神經(jīng)元每次只與前一層神經(jīng)網(wǎng)絡(luò)輸出的特征圖的特定區(qū)域進(jìn)行連接神經(jīng)元感受到的圖像的不同區(qū)域的信息進(jìn)行綜合，最終得到整個(gè)圖像的享示意圖如圖 2-3 所示：
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉建國;陸地衛(wèi)星MSS圖像地表水域信息的機(jī)助識別提取[J];環(huán)境遙感;1989年01期

2 高連生;王學(xué)坤;;基于圖像特征值的彩色圖像二值化[J];信息與電腦(理論版);2013年07期

3 李曉東;李志強(qiáng);雷曉平;丁偉雄;;彩色數(shù)字儀表圖像二值化技術(shù)研究[J];計(jì)算機(jī)技術(shù)與發(fā)展;2010年04期

4 李康順;阮丹丹;張文生;;基于演化算法的圖像二值化算法研究[J];計(jì)算機(jī)應(yīng)用研究;2012年01期

5 林俊;徐杜;蔣永平;黃文愷;段海淼;;基于梯度的動(dòng)態(tài)分塊迭代閾值圖像二值化方法[J];光學(xué)與光電技術(shù);2006年05期

6 王強(qiáng),馬利莊;圖像二值化時(shí)圖像特征的保留[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2000年10期

7 劉先章;夏士明;黃雁華;;基于圖像二值化的動(dòng)態(tài)干涉條紋研究[J];物理與工程;2012年06期

8 董立菊,于戈;一種有效的圖像二值化方法[J];東北大學(xué)學(xué)報(bào);2004年12期

9 荊永菊;;數(shù)字圖書館中圖像二值化技術(shù)應(yīng)用[J];現(xiàn)代情報(bào);2012年05期

10 江明;劉輝;黃歡;;圖像二值化技術(shù)的研究[J];軟件導(dǎo)刊;2009年04期

相關(guān)博士學(xué)位論文 前7條

1 劉海明;材料組分、表面微裂紋缺陷的圖像表征方法及其應(yīng)用研究[D];武漢理工大學(xué);2016年

2 高玨;基于聲圖像的水下目標(biāo)感知技術(shù)研究[D];哈爾濱工程大學(xué);2018年

3 張重陽;票據(jù)自動(dòng)處理系統(tǒng)中的預(yù)處理技術(shù)研究[D];南京理工大學(xué);2004年

4 張星明;地質(zhì)圖象處理算法的研究與實(shí)現(xiàn)[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;1999年

5 吳瓊玉;基于圖像的視圖合成技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2006年

6 張健;復(fù)雜圖像文本提取關(guān)鍵技術(shù)與應(yīng)用研究[D];南開大學(xué);2014年

7 滕婷婷;基于共址MIMO圖像聲納的水下運(yùn)動(dòng)小目標(biāo)檢測跟蹤技術(shù)研究[D];哈爾濱工程大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 康靖媛;基于深度學(xué)習(xí)和圖像補(bǔ)全的毫米波人體圖像異物檢測與定位[D];西安電子科技大學(xué);2018年

2 楊麗瑩;基于單幅圖像的多樣性和真實(shí)感三維凹浮雕生成研究[D];西北農(nóng)林科技大學(xué);2019年

3 王佳琪;箭支篩選及自動(dòng)判靶系統(tǒng)設(shè)計(jì)[D];中北大學(xué);2019年

4 于洋;基于遠(yuǎn)程監(jiān)測點(diǎn)的作物圖像種類自動(dòng)識別[D];黑龍江八一農(nóng)墾大學(xué);2019年

5 嚴(yán)星;基于圖像分析的成捆鋼筋端面識別與計(jì)數(shù)方法研究[D];武漢理工大學(xué);2018年

6 潘邦增;基于AM5728多核優(yōu)化的視頻助視軟件設(shè)計(jì)與開發(fā)[D];浙江工業(yè)大學(xué);2019年

7 高偉;太陽光定向照射系統(tǒng)的研究與實(shí)現(xiàn)[D];西安工業(yè)大學(xué);2018年

8 胡斯;多光譜物證分析儀的研究與實(shí)現(xiàn)[D];桂林電子科技大學(xué);2018年

9 羅俊欣;面向深空探測圖像高效傳輸?shù)目鐚勇?lián)合優(yōu)化[D];哈爾濱工業(yè)大學(xué);2017年

10 程燕群;基于DSP的文字圖像傾斜檢測算法改進(jìn)研究[D];安徽理工大學(xué);2018年

本文編號：2863813