發(fā)布時(shí)間：2021-01-21 17:40

　　為了更好的識(shí)別農(nóng)作物病蟲害的圖像信息,以玉米斑病為例,利用無人機(jī)載機(jī)器視覺系統(tǒng)對玉米斑病進(jìn)行露天采集作業(yè),根據(jù)采集到的圖像,選用各向異性去噪增強(qiáng)和最大熵分割的方法和卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行實(shí)驗(yàn)對比。對各向異性去噪增強(qiáng)和最大熵分割的方法,將裁剪后的病斑圖像進(jìn)行直方圖均衡化灰度增強(qiáng)預(yù)處理,分析影響病斑目標(biāo)分割的因素,之后進(jìn)一步采用各向異性擴(kuò)散去噪方法,對玉米病斑圖像進(jìn)行去噪增強(qiáng)。采用最大熵分割的方法實(shí)現(xiàn)了對玉米病斑圖像的特征分割,并通過形態(tài)學(xué)分析,對病斑圖像進(jìn)行準(zhǔn)確提取。對卷積神經(jīng)網(wǎng)絡(luò),采用自制訓(xùn)練集的卷積神經(jīng)網(wǎng)絡(luò)的方法進(jìn)行實(shí)驗(yàn),以Alex Net為基礎(chǔ),設(shè)計(jì)合適的卷積神經(jīng)網(wǎng)絡(luò)。在正向數(shù)據(jù)流傳播時(shí)引入dropout層解決梯度彌散問題,在反向損失函數(shù)傳播時(shí)引入Adam優(yōu)化器來優(yōu)化損失函數(shù)。通過對比,分析各自的優(yōu)缺點(diǎn)以及改進(jìn)方法。通過分析兩種方法的過程與結(jié)果不難發(fā)現(xiàn),深度學(xué)習(xí)在進(jìn)行農(nóng)作物病蟲害識(shí)別時(shí),可以跳過復(fù)雜的特征提取的步驟,但是在數(shù)據(jù)集的收集上有了更高的要求,而且因?yàn)槠潆[式識(shí)別的特點(diǎn),其特征無法準(zhǔn)確的展示出來;用圖像分割處理的方法可以直接對要識(shí)別的圖像進(jìn)行處理分析,清晰的展示其識(shí)別過程,但... 

【文章來源】：華北理工大學(xué)河北省

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

線性可分問題（左一至左三）和線性不可分問題（右一）

第2章圖像識(shí)別理論基礎(chǔ)-13-圖2反向傳播算法示意圖Fig.2Backpropagationalgorithmdiagram所以反向傳播算法的根本思想就是正向傳播求損失，反向回傳誤差，同時(shí)對神經(jīng)網(wǎng)絡(luò)中每個(gè)神經(jīng)元進(jìn)行根據(jù)誤差信號(hào)的修正，使得預(yù)測值可以接近真實(shí)值。以圖像為例，假設(shè)正向傳播的數(shù)據(jù)集為()()(,)|1,...,iiSxyim（4）式中：x—圖像矩陣；y—圖像的標(biāo)簽值。當(dāng)數(shù)據(jù)流正向傳播時(shí)，得到的輸出值為W和b的線性函數(shù)加上激活函數(shù)f()即：(l)(l)(l1)zWab（5）()()()llafz（6）則在整個(gè)神經(jīng)網(wǎng)絡(luò)中，每層的損失函數(shù)可以用如下表示：()()(2)(1)(1)(2)()()11(,)((()))mlrrriEWbfWfWfWxbbbym（7）設(shè)整個(gè)神經(jīng)網(wǎng)絡(luò)的神經(jīng)元數(shù)為N，則整個(gè)神經(jīng)網(wǎng)絡(luò)的損失函數(shù)為：()()()()11(,)(,)LNLjLjEWbEWbN（8）設(shè)該神經(jīng)網(wǎng)絡(luò)的L層為輸出層，那么輸出層的誤差可以表示為：

華北理工大學(xué)碩士學(xué)位論文-14-()()()(,)()LLaLEWbz（9）根據(jù)反向傳播的定義，對神經(jīng)網(wǎng)絡(luò)的各層從后向前進(jìn)行計(jì)算，那么：()(1)(1)()(())()llTllWz（10）此時(shí)，引入梯度下降的方法，得到可以使損失值最小的權(quán)值W和偏置值b。設(shè)為梯度下降中的學(xué)習(xí)率，(0,1]：()()()(,)llijijlijWWEWbW（11）()()()(,)lliilibbEWbb（12）圖3梯度下降算法示意圖Fig.3Schematicdiagramofgradientdescentalgorithm值得注意的是，在使用隨機(jī)梯度下降算法的時(shí)候，引入Adam作為學(xué)習(xí)率的更新法則，可以使梯度變得稀疏的同時(shí)，保證更快速更準(zhǔn)確[50]。這種自適應(yīng)的學(xué)習(xí)率可以用來解決設(shè)置不當(dāng)產(chǎn)生的陷入鞍點(diǎn)和不能收斂等問題，是初學(xué)者常用的優(yōu)化算法。其更新規(guī)則的公式表示為：t1tttvm（13）ttttmgm11111)1(（14）

【參考文獻(xiàn)】：
期刊論文
[1]基于時(shí)間序列分解與支持向量回歸的短期電力能耗預(yù)測研究[J]. 左志宏,趙云鵬,劉竹,肖鵬.  信息系統(tǒng)工程. 2019(08)
[2]大數(shù)據(jù)支撐下的交通需求管理體系研究[J]. 熊杰,陳彪,李向楠,陳艷艷,郝世洋.  城市交通. 2019(03)
[3]基于深度學(xué)習(xí)的人工智能醫(yī)療應(yīng)用與存在的問題[J]. 王海洲,王冠.  沈陽大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[4]深度學(xué)習(xí)在農(nóng)作物病蟲害識(shí)別中應(yīng)用初探[J]. 孫奧,吳冬燕,吳陽江,許燕萍.  電子測試. 2019(06)
[5]我國植保無人機(jī)現(xiàn)狀及發(fā)展建議[J]. 劉春鴿,趙麗偉.  農(nóng)業(yè)工程技術(shù). 2018(12)
[6]一種基于機(jī)器視覺特征的農(nóng)作物病變圖像感知方法[J]. 周杰,潘宏俠,唐明軍.  農(nóng)業(yè)與技術(shù). 2017(18)
[7]機(jī)器視覺技術(shù)在植保無人機(jī)中的應(yīng)用[J]. 邱帥,周思宇,馮俊青.  科技風(fēng). 2017(13)
[8]基于改進(jìn)直方圖均衡化和SSR算法的灰度圖像增強(qiáng)研究α←[J]. 胡倍倍,呂浩杰.  量子電子學(xué)報(bào). 2017(03)
[9]深度學(xué)習(xí)及其在圖像物體分類與檢測中的應(yīng)用綜述[J]. 劉棟,李素,曹志冬.  計(jì)算機(jī)科學(xué). 2016(12)
[10]植保無人機(jī)在勐臘縣橡膠樹病蟲害預(yù)警監(jiān)測與防治上的應(yīng)用[J]. 李飛,何立平,鄭明輝,王偉鋒.  福建農(nóng)業(yè). 2015(08)

博士論文
[1]面向農(nóng)作物葉片病害魯棒性識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)研究[D]. 曾偉輝.中國科學(xué)技術(shù)大學(xué) 2018

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的鯨魚叫聲分類研究[D]. 張冠華.哈爾濱工程大學(xué) 2019
[2]基于深度學(xué)習(xí)的雙模態(tài)情感識(shí)別[D]. 袁亮.南京郵電大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的玉米冠層圖像分割與生育期鑒定方法[D]. 和興華.江西農(nóng)業(yè)大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的病蟲害檢測算法及移動(dòng)客戶端的研究與實(shí)現(xiàn)[D]. 杜冉.安徽大學(xué) 2018
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的可見光圖像農(nóng)作物病蟲害的檢測[D]. 衛(wèi)智熠.哈爾濱工業(yè)大學(xué) 2017
[6]基于深度卷積網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害圖像分類識(shí)別應(yīng)用[D]. 顧文璇.武漢輕工大學(xué) 2017
[7]基于機(jī)器視覺與黃板誘導(dǎo)的有翅昆蟲統(tǒng)計(jì)識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)[D]. 周瑤.重慶大學(xué) 2017
[8]基于機(jī)器視覺的甘肅大麥病害分類識(shí)別研究[D]. 楊倩.甘肅農(nóng)業(yè)大學(xué) 2013



本文編號(hào)：2991608