稻田害蟲和病害種類繁多,存在種間相似和種類差異的現(xiàn)象,容易混淆,且不同的病蟲害類型對(duì)應(yīng)的防治方法也不同,因此實(shí)時(shí)準(zhǔn)確地識(shí)別出稻田病蟲害所屬種類是有效開展病蟲害綜合防治的重要前提。目前,我國(guó)稻田病蟲害的診斷方式主要依靠人工識(shí)別,主觀性強(qiáng),實(shí)時(shí)性差,在當(dāng)前水稻病蟲害分類學(xué)家和基層測(cè)報(bào)人員較少、農(nóng)民專業(yè)知識(shí)缺乏的情況下,亟需便捷快速的稻田病蟲害智能診斷工具。針對(duì)上述問題,本文以稻田49種害蟲和47種病害作為研究對(duì)象,開發(fā)了基于Android和深度學(xué)習(xí)的稻田病蟲害智能診斷系統(tǒng),為基層測(cè)報(bào)人員和農(nóng)民提供了一個(gè)便捷準(zhǔn)確的自動(dòng)診斷工具,主要研究?jī)?nèi)容與結(jié)果如下:（1）稻田病蟲害圖像識(shí)別算法的研究。本文針對(duì)稻田49種害蟲和47種病害,在Caffe深度學(xué)習(xí)框架下,利用遷移學(xué)習(xí)的方法對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)微調(diào),訓(xùn)練了 CaffeNet、GoogleNet、VGGNet、ResNet和DenseNet五個(gè)流行的深度學(xué)習(xí)模型,在測(cè)試集上獲得了對(duì)稻田病蟲害識(shí)別效果最好的DenseNet模型,對(duì)害蟲和病害識(shí)別的準(zhǔn)確率分別為94.8%和 91.4%。（2）開發(fā)了稻田病蟲害智能診斷APP客戶端。該客戶端APP主要由5個(gè)... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【圖文】：

圖１．１稻田病蟲害智能診斷系統(tǒng)技術(shù)路線圖??

ｅｎｔｉｔｙ??Ｍａｐｐｉｎｇ）。恒等映射不會(huì)加深Ｍ絡(luò)的參數(shù)，相當(dāng)于一個(gè)退化的淺層網(wǎng)絡(luò)。??如閣２Ｊ所小是一個(gè)ＲｅｓＮｅｔ的殘差學(xué)習(xí)單元，其中Ｉ代表輸入圖像，尸⑷為經(jīng)過卷積??操作的輸山，／／（Ａ〇為理想映射輸出，／／（Ａ＞Ｆ（Ａ＂）＋尤通過將擬合殘差函數(shù)巧幻代替擬合Ｕ??ｆｅｌ求Ｉ數(shù)／／（Ａ１，將輸出變＞」擬合和輸入的疊加１７（）】，使得網(wǎng)絡(luò)的輸出對(duì)輸入Ｘ的微小變動(dòng)變得??更加敏感。??Ｆ（Ｘ）?Ｒｅ，ｎ?Ｉ?Ｘ??丨?ｉｄｅｎｔｉｔｙ??Ｗｅｉ＾ｉｔ?ｌａｖｅｒ?／??圖２．３?ＲｅｓＮｅｔ殘差單元??相比�。胀ňW(wǎng)絡(luò)在層疊過多的卷積層會(huì)出現(xiàn)梯度消失的問題，ＲｅｓＮｅｔ的Ｂａｔｃｈ?ＮｏｒｍＵ??和ＲｅＬＵ層的引用對(duì)整個(gè)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試起到了非常重要的作用［７ｌ］°ＢａｔｃｈＮｏｒｍ通過規(guī)范??化輸入數(shù)據(jù)，改變數(shù)據(jù)的分布，在前向傳播的過程中，防止梯度消失的丨）彳題；ＲｅＬＵ作為祌??經(jīng)Ｍ絡(luò)中的激活層，相比于其他傳統(tǒng)祌經(jīng)Ｍ絡(luò)中的激活函數(shù)，它減少丫梯度彌故的問題所??產(chǎn)生的影響，汴加快丫?Ｍ絡(luò)訓(xùn)練的收斂速度。??普通直連的卷積神經(jīng)Ｎ絡(luò)與ＲｅｓＮｅｔ相比，最直接的差別在于傳統(tǒng)網(wǎng)絡(luò)在信息傳遞時(shí)會(huì)??１１??

。本Ｎ絡(luò)小僅＋會(huì)帶來冗??余，反而會(huì)變得更窄，而丨１參數(shù)更少，抑制了過擬合的ｋ樹也減輕了梯度泊失的影響，更??燈效的利用了輸入的特征。??ＤｅｎｓｃＮｃｔ網(wǎng)絡(luò)結(jié)構(gòu)彳要由密集連接塊Ｄｅｎｓｅ?Ｂｌｏｃｋ和過渡層Ｔｒａｎｓｉｔｉｏｎ層組成，其核心??足采用密集連接機(jī)制，即知個(gè)層都會(huì)接受其前面所有層所學(xué)習(xí)的特征閣作為輸入如閣２．４。??在每個(gè)Ｄｅｎｓｅ?Ｂｌｏｃｋ中，各個(gè)層的特征圖大小一致，可以在通道維度上連接，每層之間采用??丨丨：？線性組合函數(shù)ＢＮ＋ＲｅＬＵ＋３Ｘ３?Ｃｏｎｖ的結(jié)構(gòu)，如圖２．５所示。Ｔｒａｎｓｉｔｉｏｎ?Ｌａｙｅｒ處在兩個(gè)Ｄｅｎｓｅ??Ｂｌｏｃｋ］１間，包含１?Ｘ】卷積層和２Ｘ２平均池化層。１?ＸＩ卷積是為丫在Ｄｅｎｓｅ?Ｂｌｏｃｋ結(jié)束）ｕ＇減??少其特征圖的通道數(shù)，２?Ｘ?２池化ＭＷ以降低特征圖的尺寸。??＾?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ。?！?Ｄｅｎｓｅ?Ｂｌｏｃｋ?Ｉ?Ｑ?丨丨?Ｄｅｎｓｅ?Ｂｌｏｃｋ?。??ｕ?ｎｙｉ?—?」ｕ?ｕ??Ｔｒａｎｓｉｔｉｏｎ?Ｔｒａｎｓｉｔｉｏｎ??圖２．４?ＤｅｎｓｅＮｅｔ的網(wǎng)絡(luò)結(jié)構(gòu)??１２??

【參考文獻(xiàn)】：
期刊論文
[1]基于神經(jīng)網(wǎng)絡(luò)的數(shù)字信號(hào)多分類識(shí)別方法[J]. 楊栩.  汽車實(shí)用技術(shù). 2019(21)
[2]Nginx+Keepalived+Tomcat+MySQL高可用負(fù)載均衡Web應(yīng)用架構(gòu)實(shí)踐[J]. 丘杰雄.  金融科技時(shí)代. 2019(11)
[3]基于GoogLeNet的茶葉嫩芽生長(zhǎng)狀態(tài)智能識(shí)別[J]. 方夢(mèng)瑞,夏華鵾,周禮贊,呂軍.  黃山學(xué)院學(xué)報(bào). 2019(05)
[4]基于GoogLeNet和ResNet的深度融合神經(jīng)網(wǎng)絡(luò)在脈搏波識(shí)別中的應(yīng)用[J]. 張選,胡曉娟.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(10)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識(shí)別研究[J]. 邱靖,劉繼榮,曹志勇,李俊杰,楊毅.  云南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(05)
[6]基于稀疏表示和決策融合的圖像分類方法[J]. 儲(chǔ)岳中,李家浩,張學(xué)鋒,紀(jì)濱.  計(jì)算機(jī)應(yīng)用與軟件. 2019(07)
[7]儲(chǔ)糧害蟲智能圖鑒及圖像識(shí)別APP軟件設(shè)計(jì)[J]. 趙彬宇,周慧玲,李江濤,嚴(yán)曉平,韓康榕.  糧食儲(chǔ)藏. 2019(03)
[8]基于DenseNet的復(fù)雜交通場(chǎng)景語(yǔ)義分割方法[J]. 蔣斌,涂文軒,楊超,劉虹雨,趙子龍.  模式識(shí)別與人工智能. 2019(05)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識(shí)別[J]. 劉婷婷,王婷,胡林.  中國(guó)水稻科學(xué). 2019(01)
[10]基于深度學(xué)習(xí)的水稻葉部病害識(shí)別方法研究[J]. 路陽(yáng),郭丹,沈賀,李欣,韓正君.  信息記錄材料. 2018(12)

博士論文
[1]基于表示學(xué)習(xí)及回歸模型的穩(wěn)健人臉識(shí)別方法研究[D]. 邰穎.南京理工大學(xué) 2017
[2]基于機(jī)器視覺的害蟲識(shí)別方法研究[D]. 吳翔.浙江大學(xué) 2016
[3]基于機(jī)器視覺的農(nóng)田害蟲快速檢測(cè)與識(shí)別研究[D]. 韓瑞珍.浙江大學(xué) 2014

碩士論文
[1]基于改進(jìn)ResNet網(wǎng)絡(luò)的宮頸癌細(xì)胞識(shí)別[D]. 莊重.北京交通大學(xué) 2019
[2]基于圖像的水稻害蟲計(jì)數(shù)與識(shí)別的研究[D]. 陳亞龍.江西理工大學(xué) 2019
[3]機(jī)器學(xué)習(xí)在水稻病斑圖像識(shí)別中的方法研究[D]. 崔麗潔.青島科技大學(xué) 2019
[4]基于深度學(xué)習(xí)的農(nóng)業(yè)燈誘害蟲自動(dòng)識(shí)別與計(jì)數(shù)技術(shù)的研究[D]. 周愛明.浙江理工大學(xué) 2019
[5]基于圖像處理的水稻葉部病害快速識(shí)別方法研究[D]. 關(guān)瑩.東北農(nóng)業(yè)大學(xué) 2018
[6]基于Jetson TX1的人臉識(shí)別算法的研究與實(shí)現(xiàn)[D]. 毛禮建.杭州電子科技大學(xué) 2018
[7]基于機(jī)器學(xué)習(xí)的水稻病害識(shí)別算法的研究[D]. 劉成.安徽大學(xué) 2018
[8]基于深度學(xué)習(xí)的圖像分類和人臉識(shí)別算法研究[D]. 鄭弘暉.北京郵電大學(xué) 2018
[9]基于機(jī)器視覺的中華稻蝗早期蝗蝻的識(shí)別和檢測(cè)研究[D]. 楊國(guó)國(guó).浙江大學(xué) 2017
[10]基于圖像識(shí)別的儲(chǔ)糧害蟲檢測(cè)[D]. 王德發(fā).北京郵電大學(xué) 2017



本文編號(hào)：3343417