發(fā)布時(shí)間：2021-12-16 17:55

　　棉花及棉紡織品是關(guān)系國(guó)計(jì)民生的重要戰(zhàn)略資源,與人們的生活息息相關(guān)。棉花于春季播種,秋季收獲,夏季是決定棉花產(chǎn)量和質(zhì)量的關(guān)鍵時(shí)期,這一時(shí)期黃河流域高溫多雨,易形成洪澇災(zāi)害,棉花對(duì)水分敏感,容易受到淹水脅迫,進(jìn)而影響棉花產(chǎn)量和質(zhì)量。根據(jù)黃河流域棉花種植管理面臨的這一問(wèn)題,本文提出使用棉葉高光譜數(shù)據(jù)訓(xùn)練多種經(jīng)典的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法,構(gòu)建用于監(jiān)測(cè)棉株淹水脅迫程度的分類(lèi)模型,為洪澇災(zāi)害后棉花生產(chǎn)搶救與產(chǎn)量重估提供了參考。設(shè)計(jì)了以淹水天數(shù)為變量的棉花淹水試驗(yàn)?zāi)M夏季洪澇災(zāi)害后棉花遭受淹水脅迫的情況。利用高光譜成像儀和葉綠素測(cè)量?jī)x采集了無(wú)淹水與淹水處理2、4、6、8、10天的棉株葉片高光譜圖像及葉綠素相對(duì)含量(Soil and plant analyzer development,SPAD)。通過(guò)掩膜文件提取高光譜圖像棉葉區(qū)域,采用主成分分析法進(jìn)行降維,所得第一主成分圖像信息量占全部主成分91%以上。從高光譜圖像中提取棉葉光譜反射率曲線,采用多種方法進(jìn)行平滑去噪,對(duì)比不同淹水天數(shù)的棉葉反射率發(fā)現(xiàn),隨淹水處理天數(shù)增加,棉葉光譜反射率在550nm附近及750-950 nm處增高,且出現(xiàn)―紅邊藍(lán)移‖現(xiàn)...

【文章來(lái)源】： 山東理工大學(xué)山東省

【文章頁(yè)數(shù)】：59 頁(yè)

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 地面高光譜遙感研究現(xiàn)狀
        1.2.2 作物淹水脅迫研究現(xiàn)狀
        1.2.3 存在問(wèn)題分析
    1.3 研究?jī)?nèi)容
    1.4 技術(shù)路線
第二章 試驗(yàn)方案設(shè)計(jì)與數(shù)據(jù)獲取
    2.1 試驗(yàn)方案設(shè)計(jì)
        2.1.1 試驗(yàn)條件
        2.1.2 棉花淹水試驗(yàn)處理
    2.2 試驗(yàn)數(shù)據(jù)采集
    2.3 本章小結(jié)
第三章 棉葉高光譜曲線分析及特征提取
    3.1 高光譜圖像預(yù)處理
        3.1.1 高光譜圖像掩膜
        3.1.2 主成分分析降維
    3.2 棉葉光譜曲線預(yù)處理
    3.3 淹水處理與對(duì)照組棉葉光譜曲線差異分析
        3.3.1 原始光譜曲線分析
        3.3.2 不同預(yù)處理后的光譜曲線分析
    3.4 棉葉高光譜特征提取
    3.5 本章小結(jié)
第四章 基于監(jiān)督分類(lèi)模型的棉株淹水脅迫程度監(jiān)測(cè)
    4.1 監(jiān)督分類(lèi)概述及模型簡(jiǎn)介
        4.1.1 支持向量機(jī)模型
        4.1.2 隨機(jī)森林模型
    4.2 棉葉紋理特征提取與SPAD相關(guān)性分析
        4.2.1 棉葉高光譜圖像紋理特征提取
        4.2.2 棉葉葉綠素相對(duì)含量與淹水天數(shù)相關(guān)性分析
    4.3 棉株淹水程度識(shí)別模型參數(shù)設(shè)置及訓(xùn)練
        4.3.1 多特征訓(xùn)練集構(gòu)建
        4.3.2 超參數(shù)優(yōu)化
        4.3.3 模型訓(xùn)練與測(cè)試
    4.4 試驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
第五章 基于深度學(xué)習(xí)模型的棉株淹水脅迫程度監(jiān)測(cè)
    5.1 神經(jīng)網(wǎng)絡(luò)的理論模型
        5.1.1 人工神經(jīng)網(wǎng)絡(luò)模型概述
        5.1.2 卷積神經(jīng)網(wǎng)絡(luò)模型概述
    5.2 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)
        5.2.1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)優(yōu)化
        5.2.2 卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)選擇
    5.3 高光譜圖像數(shù)據(jù)增強(qiáng)與超參數(shù)設(shè)置
        5.3.1 高光譜圖像數(shù)據(jù)增強(qiáng)和劃分
        5.3.2 卷積神經(jīng)網(wǎng)絡(luò)模型超參數(shù)設(shè)置與模型訓(xùn)練
    5.4 試驗(yàn)結(jié)果分析
    5.5 本章小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 創(chuàng)新點(diǎn)
    6.3 研究展望
參考文獻(xiàn)
在讀期間公開(kāi)發(fā)表的論文
致謝


【參考文獻(xiàn)】：
期刊論文
[1]澇漬脅迫對(duì)辣椒植株表型的影響 [J]. 宋釗,余超然,張白鴿,曹健,徐小萬(wàn),李穎,何裕志.  熱帶作物學(xué)報(bào). 2019(02)
[2]水澇漬害對(duì)夏玉米生理特性和主要產(chǎn)量性狀指標(biāo)的影響 [J]. 許海濤,王友華,許波,王成業(yè).  大麥與谷類(lèi)科學(xué). 2018(06)
[3]基于SVM和AdaBoost的棉葉螨危害等級(jí)識(shí)別 [J]. 楊麗麗,張大衛(wèi),羅君,王振鵬,吳才聰.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(02)
[4]基于高光譜成像技術(shù)識(shí)別水稻紋枯病 [J]. 李志偉,袁婧,丁為民,楊紅兵,沈少慶,崔嘉林.  華南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(06)
[5]高光譜成像分析植物葉片滯塵前后光譜特征變化 [J]. 張愛(ài)武,張?zhí)┡?康孝巖,郭超凡.  農(nóng)業(yè)工程學(xué)報(bào). 2018(19)
[6]ASD Field Spec3野外便攜式高光譜儀診斷冬小麥氮營(yíng)養(yǎng) [J]. 劉昌華,方征,陳志超,周蘭,岳學(xué)智,王哲,王春陽(yáng),Yuxin Miao.  農(nóng)業(yè)工程學(xué)報(bào). 2018(19)
[7]融合無(wú)人機(jī)光譜信息與紋理信息的冬小麥生物量估測(cè) [J]. 劉暢,楊貴軍,李振海,湯伏全,王建雯,張春蘭,張麗妍.  中國(guó)農(nóng)業(yè)科學(xué). 2018(16)
[8]基于高光譜技術(shù)的農(nóng)作物常見(jiàn)病害監(jiān)測(cè)研究 [J]. 謝亞平,陳豐農(nóng),張競(jìng)成,周斌,王海江,吳開(kāi)華.  光譜學(xué)與光譜分析. 2018(07)
[9]高光譜的病害棉葉光合參數(shù)提取 [J]. 陳兵,王剛,劉景德,馬占鴻,王靜,李天南.  光譜學(xué)與光譜分析. 2018(06)
[10]基于高光譜成像技術(shù)的小麥條銹病病害程度分級(jí)方法 [J]. 雷雨,韓德俊,曾慶東,何東健.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(05)

博士論文
[1]基于機(jī)器學(xué)習(xí)的農(nóng)業(yè)圖像識(shí)別與光譜檢測(cè)方法研究[D]. 王璨.山西農(nóng)業(yè)大學(xué). 2018
[2]澇漬脅迫下棉花生長(zhǎng)和產(chǎn)量的響應(yīng)及模擬[D]. 錢(qián)龍.武漢大學(xué). 2017
[3]光譜及高光譜成像技術(shù)在作物特征信息提取中的應(yīng)用研究[D]. 馬淏.中國(guó)農(nóng)業(yè)大學(xué). 2015
[4]基于高光譜和圖像處理技術(shù)的油菜病蟲(chóng)害早期監(jiān)測(cè)方法和機(jī)理研究[D]. 趙蕓.浙江大學(xué). 2013

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]基于近紅外光譜技術(shù)稻谷品質(zhì)分析模型的研究[D]. 后其軍.南京財(cái)經(jīng)大學(xué). 2016



本文編號(hào)：3538572