銀杏葉片具有很高的經(jīng)濟(jì)價(jià)值、藥用價(jià)值和觀賞價(jià)值,銀杏葉片病蟲(chóng)害可導(dǎo)致銀杏的死亡,從而帶來(lái)經(jīng)濟(jì)損失。對(duì)晚期的患病銀杏葉片已無(wú)法采取措施,因此患病銀杏葉片的早期及時(shí)、準(zhǔn)確識(shí)別與預(yù)測(cè)對(duì)于降低銀杏葉片發(fā)病率和死亡率具有重要意義。目前很多學(xué)者將深度學(xué)習(xí)運(yùn)用于農(nóng)作物種類(lèi)和植物病蟲(chóng)害種類(lèi)識(shí)別中,而對(duì)同一類(lèi)植物患病等級(jí)的研究還比較少,尤其是在銀杏葉片發(fā)病程度的自動(dòng)識(shí)別上的研究比較少。因此本文的創(chuàng)新點(diǎn)為對(duì)銀杏葉片患病程度進(jìn)行了識(shí)別研究;并且第一次將CNNLSTM模型應(yīng)用于銀杏葉片患病程度的識(shí)別中,CNN-LSTM模型可以對(duì)具有時(shí)間關(guān)系的序列圖像進(jìn)行識(shí)別。本文研究基于深度學(xué)習(xí)的銀杏葉片發(fā)病程度識(shí)別方面的應(yīng)用,使用卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練。主要研究工作如下:（1）研究了基于CNN的兩種方法來(lái)進(jìn)行單一背景和復(fù)雜背景下的銀杏葉片患病程度識(shí)別。第一種方法研究了基于VGGNet-16模型的銀杏葉片患病程度識(shí)別,單一背景下的銀杏葉片患病程度識(shí)別率達(dá)到98.44%,復(fù)雜背景下的銀杏葉片患病程度識(shí)別率達(dá)到92.19%,最終選出最佳模型。第二種方法研究了基于Inception V3網(wǎng)絡(luò)模型微調(diào)的銀杏葉片患病程度... 

【文章來(lái)源】：北京林業(yè)大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

生物神經(jīng)元的結(jié)構(gòu)

基于深度學(xué)習(xí)的銀杏枯葉病發(fā)病程度識(shí)別研究8圖2.2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Figure2.2Structureofneuralnetwork神經(jīng)網(wǎng)絡(luò)模型是在1943年最早由神經(jīng)學(xué)家WarrenMcCulloch和數(shù)學(xué)家WalterPitts（McCullochandPitts,1943）提出，他們構(gòu)建了M-P模型，用以模擬人體中神經(jīng)元的結(jié)構(gòu)。M-P模型對(duì)傳入的數(shù)據(jù)進(jìn)行加權(quán)求和并使用非線(xiàn)性函數(shù)來(lái)激活輸出。然而M-P模型的權(quán)值需要手動(dòng)設(shè)置權(quán)值，所以只能事先給定權(quán)值，而不能夠自動(dòng)確定權(quán)值。1958年美國(guó)學(xué)者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手動(dòng)設(shè)置權(quán)值的缺陷。感知器在結(jié)構(gòu)和形式上與M-P模型類(lèi)似，它采取監(jiān)督學(xué)習(xí)的方式，能夠自動(dòng)確定權(quán)值。感知器通過(guò)設(shè)定訓(xùn)練樣本，輸出值和期望輸出來(lái)計(jì)算誤差，從而用誤差值來(lái)調(diào)整實(shí)際權(quán)值。感知器是一個(gè)可以自動(dòng)做決策的機(jī)器，它可以實(shí)現(xiàn)二分類(lèi)的功能。感知器模型包括輸入、輸出、權(quán)重、前饋運(yùn)算、激活函數(shù)等部分，其結(jié)構(gòu)圖如圖2.3：圖2.3感知器模型結(jié)構(gòu)圖Figure2.3Structurediagramofperceptronmodel由圖2.3可得知，一個(gè)感知器可接收多個(gè)輸入。以本圖中給出的三個(gè)輸入為例，其中X1、X2、X3表示輸入；W1、W2、W3分別表示三個(gè)輸入上的權(quán)值，它是相應(yīng)輸

基于深度學(xué)習(xí)的銀杏枯葉病發(fā)病程度識(shí)別研究8圖2.2神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Figure2.2Structureofneuralnetwork神經(jīng)網(wǎng)絡(luò)模型是在1943年最早由神經(jīng)學(xué)家WarrenMcCulloch和數(shù)學(xué)家WalterPitts（McCullochandPitts,1943）提出，他們構(gòu)建了M-P模型，用以模擬人體中神經(jīng)元的結(jié)構(gòu)。M-P模型對(duì)傳入的數(shù)據(jù)進(jìn)行加權(quán)求和并使用非線(xiàn)性函數(shù)來(lái)激活輸出。然而M-P模型的權(quán)值需要手動(dòng)設(shè)置權(quán)值，所以只能事先給定權(quán)值，而不能夠自動(dòng)確定權(quán)值。1958年美國(guó)學(xué)者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手動(dòng)設(shè)置權(quán)值的缺陷。感知器在結(jié)構(gòu)和形式上與M-P模型類(lèi)似，它采取監(jiān)督學(xué)習(xí)的方式，能夠自動(dòng)確定權(quán)值。感知器通過(guò)設(shè)定訓(xùn)練樣本，輸出值和期望輸出來(lái)計(jì)算誤差，從而用誤差值來(lái)調(diào)整實(shí)際權(quán)值。感知器是一個(gè)可以自動(dòng)做決策的機(jī)器，它可以實(shí)現(xiàn)二分類(lèi)的功能。感知器模型包括輸入、輸出、權(quán)重、前饋運(yùn)算、激活函數(shù)等部分，其結(jié)構(gòu)圖如圖2.3：圖2.3感知器模型結(jié)構(gòu)圖Figure2.3Structurediagramofperceptronmodel由圖2.3可得知，一個(gè)感知器可接收多個(gè)輸入。以本圖中給出的三個(gè)輸入為例，其中X1、X2、X3表示輸入；W1、W2、W3分別表示三個(gè)輸入上的權(quán)值，它是相應(yīng)輸

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的快速植物圖像識(shí)別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[2]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)植物葉片圖像識(shí)別方法[J]. 鄭一力,張露.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(S1)
[3]基于深度學(xué)習(xí)的植物病蟲(chóng)害圖像識(shí)別[J]. 安強(qiáng)強(qiáng),張峰,李趙興,張雅瓊.  農(nóng)業(yè)工程. 2018(07)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的銀杏葉片患病程度識(shí)別[J]. 劉瑾蓉,林劍輝,李婷婷.  中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào). 2018(06)
[5]基于殘差網(wǎng)絡(luò)遷移學(xué)習(xí)的花卉識(shí)別系統(tǒng)[J]. 關(guān)胤.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[6]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)
[7]基于深度學(xué)習(xí)的植物圖像識(shí)別方法研究[J]. 袁銀,王東斌,劉永金.  現(xiàn)代農(nóng)業(yè)科技. 2017(23)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲(chóng)害識(shí)別[J]. 梁萬(wàn)杰,曹宏鑫.  江蘇農(nóng)業(yè)科學(xué). 2017(20)
[9]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學(xué)報(bào). 2017(19)
[10]基于Android的水稻病害圖像識(shí)別系統(tǒng)設(shè)計(jì)與應(yīng)用[J]. 鄭姣,劉立波.  計(jì)算機(jī)工程與科學(xué). 2015(07)

博士論文
[1]面向圖像分類(lèi)和識(shí)別的視覺(jué)特征表達(dá)與學(xué)習(xí)的研究[D]. 楊釗.華南理工大學(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)的葡萄葉片病害識(shí)別方法研究[D]. 劉媛.甘肅農(nóng)業(yè)大學(xué) 2018
[2]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
[3]基于Android的黃瓜病蟲(chóng)害檢測(cè)系統(tǒng)[D]. 郭彥麟.寧夏大學(xué) 2017
[4]基于深度學(xué)習(xí)的植物葉片識(shí)別算法研究[D]. 張帥.北京林業(yè)大學(xué) 2016



本文編號(hào)：3001749