銀杏葉片具有很高的經濟價值、藥用價值和觀賞價值,銀杏葉片病蟲害可導致銀杏的死亡,從而帶來經濟損失。對晚期的患病銀杏葉片已無法采取措施,因此患病銀杏葉片的早期及時、準確識別與預測對于降低銀杏葉片發(fā)病率和死亡率具有重要意義。目前很多學者將深度學習運用于農作物種類和植物病蟲害種類識別中,而對同一類植物患病等級的研究還比較少,尤其是在銀杏葉片發(fā)病程度的自動識別上的研究比較少。因此本文的創(chuàng)新點為對銀杏葉片患病程度進行了識別研究;并且第一次將CNNLSTM模型應用于銀杏葉片患病程度的識別中,CNN-LSTM模型可以對具有時間關系的序列圖像進行識別。本文研究基于深度學習的銀杏葉片發(fā)病程度識別方面的應用,使用卷積神經網絡和循環(huán)神經網絡進行了訓練。主要研究工作如下:（1）研究了基于CNN的兩種方法來進行單一背景和復雜背景下的銀杏葉片患病程度識別。第一種方法研究了基于VGGNet-16模型的銀杏葉片患病程度識別,單一背景下的銀杏葉片患病程度識別率達到98.44%,復雜背景下的銀杏葉片患病程度識別率達到92.19%,最終選出最佳模型。第二種方法研究了基于Inception V3網絡模型微調的銀杏葉片患病程度... 

【文章來源】：北京林業(yè)大學北京市 211工程院校 教育部直屬院校

【文章頁數】：70 頁

【學位級別】：碩士

【部分圖文】：

生物神經元的結構

基于深度學習的銀杏枯葉病發(fā)病程度識別研究8圖2.2神經網絡結構圖Figure2.2Structureofneuralnetwork神經網絡模型是在1943年最早由神經學家WarrenMcCulloch和數學家WalterPitts（McCullochandPitts,1943）提出，他們構建了M-P模型，用以模擬人體中神經元的結構。M-P模型對傳入的數據進行加權求和并使用非線性函數來激活輸出。然而M-P模型的權值需要手動設置權值，所以只能事先給定權值，而不能夠自動確定權值。1958年美國學者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手動設置權值的缺陷。感知器在結構和形式上與M-P模型類似，它采取監(jiān)督學習的方式，能夠自動確定權值。感知器通過設定訓練樣本，輸出值和期望輸出來計算誤差，從而用誤差值來調整實際權值。感知器是一個可以自動做決策的機器，它可以實現二分類的功能。感知器模型包括輸入、輸出、權重、前饋運算、激活函數等部分，其結構圖如圖2.3：圖2.3感知器模型結構圖Figure2.3Structurediagramofperceptronmodel由圖2.3可得知，一個感知器可接收多個輸入。以本圖中給出的三個輸入為例，其中X1、X2、X3表示輸入；W1、W2、W3分別表示三個輸入上的權值，它是相應輸

基于深度學習的銀杏枯葉病發(fā)病程度識別研究8圖2.2神經網絡結構圖Figure2.2Structureofneuralnetwork神經網絡模型是在1943年最早由神經學家WarrenMcCulloch和數學家WalterPitts（McCullochandPitts,1943）提出，他們構建了M-P模型，用以模擬人體中神經元的結構。M-P模型對傳入的數據進行加權求和并使用非線性函數來激活輸出。然而M-P模型的權值需要手動設置權值，所以只能事先給定權值，而不能夠自動確定權值。1958年美國學者F.Rosenblatt（Rosenblatt,1958）提出了感知器模型（Multi-layerPerceptron，MLP)，改善了M-P模型需要手動設置權值的缺陷。感知器在結構和形式上與M-P模型類似，它采取監(jiān)督學習的方式，能夠自動確定權值。感知器通過設定訓練樣本，輸出值和期望輸出來計算誤差，從而用誤差值來調整實際權值。感知器是一個可以自動做決策的機器，它可以實現二分類的功能。感知器模型包括輸入、輸出、權重、前饋運算、激活函數等部分，其結構圖如圖2.3：圖2.3感知器模型結構圖Figure2.3Structurediagramofperceptronmodel由圖2.3可得知，一個感知器可接收多個輸入。以本圖中給出的三個輸入為例，其中X1、X2、X3表示輸入；W1、W2、W3分別表示三個輸入上的權值，它是相應輸

【參考文獻】：
期刊論文
[1]基于深度學習的快速植物圖像識別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君.  華東理工大學學報(自然科學版). 2018(06)
[2]基于遷移學習的卷積神經網絡植物葉片圖像識別方法[J]. 鄭一力,張露.  農業(yè)機械學報. 2018(S1)
[3]基于深度學習的植物病蟲害圖像識別[J]. 安強強,張峰,李趙興,張雅瓊.  農業(yè)工程. 2018(07)
[4]基于卷積神經網絡的銀杏葉片患病程度識別[J]. 劉瑾蓉,林劍輝,李婷婷.  中國農業(yè)科技導報. 2018(06)
[5]基于殘差網絡遷移學習的花卉識別系統(tǒng)[J]. 關胤.  計算機工程與應用. 2019(01)
[6]卷積神經網絡在黃瓜葉部病害識別中的應用[J]. 張善文,謝澤奇,張晴晴.  江蘇農業(yè)學報. 2018(01)
[7]基于深度學習的植物圖像識別方法研究[J]. 袁銀,王東斌,劉永金.  現代農業(yè)科技. 2017(23)
[8]基于卷積神經網絡的水稻蟲害識別[J]. 梁萬杰,曹宏鑫.  江蘇農業(yè)科學. 2017(20)
[9]基于改進卷積神經網絡的多種植物葉片病害識別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農業(yè)工程學報. 2017(19)
[10]基于Android的水稻病害圖像識別系統(tǒng)設計與應用[J]. 鄭姣,劉立波.  計算機工程與科學. 2015(07)

博士論文
[1]面向圖像分類和識別的視覺特征表達與學習的研究[D]. 楊釗.華南理工大學 2014

碩士論文
[1]基于深度學習的葡萄葉片病害識別方法研究[D]. 劉媛.甘肅農業(yè)大學 2018
[2]基于機器學習的水稻病害識別算法的研究[D]. 劉成.安徽大學 2018
[3]基于Android的黃瓜病蟲害檢測系統(tǒng)[D]. 郭彥麟.寧夏大學 2017
[4]基于深度學習的植物葉片識別算法研究[D]. 張帥.北京林業(yè)大學 2016



本文編號：3001749