花生是山東省重要的油料作物和經(jīng)濟(jì)作物,其種植主要集中在魯中南、魯西北和丘陵地區(qū),種植方式較為落后,種植管理存在諸多問(wèn)題。有些地區(qū)花生仍靠手工種植,缺少先進(jìn)的種植的技術(shù)和有效的管理措施,不僅造成了人力物力的浪費(fèi),而且影響了花生的提質(zhì)增效�；ㄉ『Φ陌l(fā)生是嚴(yán)重影響花生的產(chǎn)量和質(zhì)量主要因素之一,病害的及早發(fā)現(xiàn)和有效防治是農(nóng)民迫切需要解決的問(wèn)題。針對(duì)上述問(wèn)題,將信息技術(shù)和人工智能技術(shù)應(yīng)用于花生種植管理和病害識(shí)別,可以有效地輔助農(nóng)民及早發(fā)現(xiàn)、識(shí)別和防治花生葉部病害,及時(shí)了解花生長(zhǎng)勢(shì)狀況、病害狀況等信息,提高管理效率。因此,本文研究并實(shí)現(xiàn)了花生智能管理信息系統(tǒng)。本文研究主要內(nèi)容包括:（1）花生葉部病害圖像數(shù)據(jù)集的構(gòu)建。主要包含花生葉部病害圖像數(shù)據(jù)獲取與預(yù)處理兩部分。在泰安市孫家疃村等花生種植地對(duì)花生葉部病害圖像進(jìn)行了人工采集,并編寫(xiě)代碼對(duì)其進(jìn)行了切割,翻轉(zhuǎn)和徑向模糊等預(yù)處理,最后根據(jù)花生葉部病害的種類及特點(diǎn)進(jìn)行人工分類。（2）花生葉部病害圖像識(shí)別模型的研究與實(shí)現(xiàn)。深度學(xué)習(xí)是人工智能的研究熱點(diǎn)之一,在圖像識(shí)別和語(yǔ)音識(shí)別中取得了較好的效果。本文采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural... 

【文章來(lái)源】：山東農(nóng)業(yè)大學(xué)山東省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

ELU函數(shù)Fig.7ELUfunction

采集與預(yù)處理采集東省泰安市孫家疃村花生種植地進(jìn)行花生病害葉片的實(shí)地考察摘花生病害葉片需要進(jìn)行拍攝，獲得花生葉部病害圖像。使用如行花生病害葉片圖像的拍攝。圖示裝置傳送帶為白色背景，在該一背景的圖像，減少背景的干擾。在傳送帶末端上方使用支架光源和數(shù)碼相機(jī)，LED 環(huán)形光源的使用可以減少拍攝陰影，減行拍攝時(shí)，將花生病害葉片依次排放在白色背景的傳送帶上，相光源中間小孔拍攝傳送帶上的花生病害葉片。相機(jī)設(shè)置為自動(dòng)拍為 2 秒。設(shè)定傳送帶速度為 15mm/s，每隔 30mm 向傳送帶放置一實(shí)現(xiàn)定時(shí)拍攝。所拍攝圖像格式為 JPEG 格式，包含五類常見(jiàn)花

炭疽病 3892 400網(wǎng)斑病 2905 400總數(shù) 17685 2000（2）分類模型評(píng)價(jià)本文采用 ROC 曲線對(duì)訓(xùn)練好的識(shí)別模型進(jìn)行進(jìn)一步評(píng)價(jià)。針對(duì)多分類情況，獲取ROC 曲線的方法如下：在訓(xùn)練完成后，計(jì)算出每個(gè)測(cè)試樣本的在各類的概率或置信度，用矩陣的行表示每個(gè)測(cè)試樣本各類別的概率，列表示測(cè)試樣本，得到矩陣 P，同時(shí)將所有測(cè)試樣本使用類似于二進(jìn)制形式來(lái)標(biāo)記，實(shí)驗(yàn)一共分為五類，分別標(biāo)記為 1、2、3、4、5，對(duì)應(yīng)類別轉(zhuǎn)換標(biāo)記（如類別 1 轉(zhuǎn)換為 1 0 0 0 0，類別 2 轉(zhuǎn)換為 0 1 0 0），將對(duì)應(yīng)矩陣 P 得到標(biāo)簽矩陣 L。對(duì)一個(gè)測(cè)試樣本，在矩陣 L 中，1 的位置表明了它的類別，0 就表示其他類別，如果識(shí)別結(jié)果正確，矩陣 P 中對(duì)應(yīng)位置的概率應(yīng)遠(yuǎn)大于其他位置，基于此，將矩陣 L 和矩陣 P 按行展開(kāi)，轉(zhuǎn)置之后變?yōu)閮闪�，這就得到了一個(gè)二分類結(jié)果，由此可以得到最終的 ROC 曲線。所畫(huà) ROC 曲線如圖 22 所示。

【參考文獻(xiàn)】：
期刊論文
[1]增強(qiáng)型深度確定策略梯度算法[J]. 陳建平,何超,劉全,吳宏杰,胡伏原,傅啟明.  通信學(xué)報(bào). 2018(11)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)和多信息融合的三維乳腺超聲分類方法[J]. 孔小函,檀韜,包凌云,王廣志.  中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào). 2018(04)
[3]基于深度學(xué)習(xí)的木材缺陷圖像檢測(cè)方法[J]. 程玉柱,顧權(quán),王眾輝,李趙春.  林業(yè)機(jī)械與木工設(shè)備. 2018(08)
[4]精準(zhǔn)農(nóng)業(yè)種植系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 熊大平,鄧文佶.  電子技術(shù)與軟件工程. 2018(10)
[5]基于Android平臺(tái)的水稻病害智能診斷關(guān)鍵技術(shù)研究[J]. 劉小紅.  安徽農(nóng)業(yè)科學(xué). 2018(10)
[6]國(guó)內(nèi)外花生機(jī)械化收獲發(fā)展概況分析[J]. 張沖,胡志超,邱添,吳努,王伯凱,游兆延.  江蘇農(nóng)業(yè)科學(xué). 2018(05)
[7]卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識(shí)別中的應(yīng)用[J]. 張善文,謝澤奇,張晴晴.  江蘇農(nóng)業(yè)學(xué)報(bào). 2018(01)
[8]基于物聯(lián)網(wǎng)和深度卷積神經(jīng)網(wǎng)絡(luò)的冬棗病害識(shí)別方法[J]. 張善文,黃文準(zhǔn),尤著宏.  浙江農(nóng)業(yè)學(xué)報(bào). 2017(11)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的監(jiān)控場(chǎng)景下車輛顏色識(shí)別[J]. 張強(qiáng),李嘉鋒,卓力.  測(cè)控技術(shù). 2017(10)
[10]卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別上的研究[J]. 聶超.  哈爾濱商業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(05)

博士論文
[1]基于機(jī)器學(xué)習(xí)的作物病害圖像處理及病變識(shí)別方法研究[D]. 譚文學(xué).北京工業(yè)大學(xué) 2016

碩士論文
[1]基于實(shí)例和參數(shù)遷移的農(nóng)作物病害圖像識(shí)別研究[D]. 房思思.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[2]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
[3]基于深度學(xué)習(xí)的在線波達(dá)方向估計(jì)方法研究[D]. 李慶龍.內(nèi)蒙古大學(xué) 2018
[4]基于深度特征學(xué)習(xí)和多級(jí)SVM的玉米生長(zhǎng)期識(shí)別研究[D]. 張蕓德.華中師范大學(xué) 2018
[5]基于深度學(xué)習(xí)的圖像去霧方法研究[D]. 賈緒仲.湖南工業(yè)大學(xué) 2018
[6]自然場(chǎng)景下的人臉檢測(cè)及表情識(shí)別算法研究[D]. 提浩.北京交通大學(xué) 2018
[7]靜態(tài)圖像中感興趣區(qū)域檢測(cè)方法研究[D]. 王萌.天津工業(yè)大學(xué) 2018
[8]基于無(wú)線傳感器網(wǎng)絡(luò)的智能家居系統(tǒng)設(shè)計(jì)[D]. 郝竹銀.安徽理工大學(xué) 2017
[9]基于深度學(xué)習(xí)的小兒白內(nèi)障裂隙圖像診斷研究及治療效果預(yù)測(cè)[D]. 安瑩瑩.西安電子科技大學(xué) 2017
[10]無(wú)線膠囊內(nèi)窺鏡圖像檢索及視頻摘要方法研究與系統(tǒng)實(shí)現(xiàn)[D]. 詹昌飛.北京工業(yè)大學(xué) 2017



本文編號(hào)：3570790