作物的生產(chǎn)過程中伴隨著雜草的生長,影響了農(nóng)作物的產(chǎn)量、品質(zhì)和經(jīng)濟(jì)效益。在作物的幼苗階段,雜草與作物在形態(tài)、顏色等方面相似度高,為機(jī)器的自動識別和除草工作帶來困難。在除草的準(zhǔn)備工作中,具體的識別出作物和雜草的類別是農(nóng)藥噴灑方案制定的指南。本文針對該問題,提出了一種結(jié)合注意力機(jī)制的作物幼苗與雜草分類識別的方法,有效的解決了作物幼苗與雜草的識別問題,為后期的精準(zhǔn)除草工作作參考。具體工作如下:（1）開展了作物幼苗與雜草的圖像分類方法的研究通過對圖像分類的一些主流算法的分析,如:KNN、SVM、BPNN、CNN等,針對本文雜草與作物幼苗數(shù)據(jù)集的特點(diǎn),對數(shù)據(jù)集進(jìn)行預(yù)處理,并采用這些算法對本文的12種作物或雜草數(shù)據(jù)集進(jìn)行訓(xùn)練,將訓(xùn)練的結(jié)果進(jìn)行對比和分析,從平均分類準(zhǔn)確率的角度得出最適合本文數(shù)據(jù)集的方法為CNN中的ResNet-50模型,其分類準(zhǔn)確率達(dá)到91.89%。（2）結(jié)合了注意力機(jī)制和跨層雙線性池化算法對CNN模型改進(jìn)針對ResNet-50模型的特點(diǎn)和不足,對ResNet-50模型進(jìn)行相應(yīng)的改進(jìn),在模型中加入弱監(jiān)督下的細(xì)粒度分類算法跨層雙線性池化使特征相互增強(qiáng),從而使網(wǎng)絡(luò)具備更強(qiáng)的表達(dá)能力。在新... 

【文章來源】：安徽農(nóng)業(yè)大學(xué)安徽省

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
ABSTRACT
第一章 緒論
    1.1 選題背景與研究意義
    1.2 雜草圖像識別研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 結(jié)構(gòu)安排
    1.5 本章小結(jié)
第二章 作物幼苗與雜草的圖像分類方法研究
    2.1 植物分類識別方法的介紹
    2.2 傳統(tǒng)的圖像分類算法
        2.2.1 K最鄰近算法(KNN)
        2.2.2 支持向量機(jī)(SVM)
        2.2.3 BP神經(jīng)網(wǎng)絡(luò)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)(CNN)
        2.3.1 卷積神經(jīng)網(wǎng)絡(luò)的介紹
        2.3.2 AlexNet模型
        2.3.3 VGGNet模型
        2.3.4 ResNet模型
    2.4 不同圖像分類方法的實(shí)驗
        2.4.1 實(shí)驗環(huán)境
        2.4.2 評價指標(biāo)
        2.4.3 數(shù)據(jù)集的獲取和處理
        2.4.4 KNN、SVM和BP神經(jīng)網(wǎng)絡(luò)的實(shí)驗
        2.4.5 CNN模型的實(shí)驗
    2.5 實(shí)驗結(jié)果的分析與比較
    2.6 本章小結(jié)
第三章 結(jié)合注意力機(jī)制的作物幼苗與雜草分類識別
    3.1 問題描述
    3.2 跨層雙線性池化原理概述
    3.3 注意力機(jī)制原理概述
    3.4 解決方案設(shè)計
    3.5 實(shí)驗結(jié)果與分析
    3.6 實(shí)際效果測試
        3.6.1 實(shí)驗數(shù)據(jù)預(yù)處理
        3.6.2 模型訓(xùn)練
        3.6.3 實(shí)驗結(jié)果與分析
    3.7 本章小結(jié)
第四章 總結(jié)與展望
    4.1 總結(jié)
    4.2 展望
參考文獻(xiàn)
作者簡介


【參考文獻(xiàn)】：
期刊論文
[1]基于TF-IDF和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的社交平臺垃圾文本過濾[J]. 王楊,王非凡,張舒宜,黃少芬,許閃閃,趙晨曦,趙傳信.  計算機(jī)系統(tǒng)應(yīng)用. 2019(03)
[2]基于BP神經(jīng)網(wǎng)絡(luò)的罐式車輛配色與評價方法研究[J]. 馮青,吳夢迪,余隋懷,楊雷.  機(jī)械設(shè)計. 2019(01)
[3]空洞卷積結(jié)合全局池化的卷積神經(jīng)網(wǎng)絡(luò)識別作物幼苗與雜草[J]. 孫俊,何小飛,譚文軍,武小紅,沈繼鋒,陸虎.  農(nóng)業(yè)工程學(xué)報. 2018(11)
[4]基于支持向量回歸與BP神經(jīng)網(wǎng)絡(luò)對創(chuàng)業(yè)板指數(shù)的預(yù)測研究[J]. 李偉能,黃樹花.  電子技術(shù)與軟件工程. 2013(24)
[5]基于PCA-SVM的棉花出苗期雜草類型識別[J]. 李慧,祁力鈞,張建華,冀榮華.  農(nóng)業(yè)機(jī)械學(xué)報. 2012(09)
[6]基于Fisher變換的植物葉片圖像識別監(jiān)督LLE算法[J]. 閻慶,梁棟,張晶晶.  農(nóng)業(yè)機(jī)械學(xué)報. 2012(09)
[7]基于支持向量機(jī)的玉米苗期田間雜草光譜識別[J]. 鄧巍,張錄達(dá),何雄奎,Mueller J,曾愛軍,宋堅利,劉亞佳,周繼中,陳吉,王旭.  光譜學(xué)與光譜分析. 2009(07)
[8]基于多特征的田間雜草識別方法[J]. 毛文華,曹晶晶,姜紅花,王一鳴,張小超.  農(nóng)業(yè)工程學(xué)報. 2007(11)
[9]溫室大棚中雜草識別系統(tǒng)的應(yīng)用研究[J]. 隋美麗,劉俊峰,陳麗.  農(nóng)機(jī)化研究. 2005(03)
[10]基于人工神經(jīng)網(wǎng)絡(luò)的葉脈信息提取——植物活體機(jī)器識別研究Ⅰ[J]. 傅弘,池哲儒,常杰,傅承新.  植物學(xué)通報. 2004(04)

博士論文
[1]深度學(xué)習(xí)下細(xì)粒度級別圖像的視覺分析研究[D]. 魏秀參.南京大學(xué) 2018
[2]半監(jiān)督聚類算法研究及植物葉片識別應(yīng)用[D]. 李龍龍.西北農(nóng)林科技大學(xué) 2017

碩士論文
[1]基于注意力機(jī)制的圖像分類深度學(xué)習(xí)方法研究[D]. 王培森.中國科學(xué)技術(shù)大學(xué) 2018
[2]基于深度學(xué)習(xí)的小樣本圖像分類研究[D]. 徐希巖.東北林業(yè)大學(xué) 2018
[3]細(xì)粒度圖像分類算法研究[D]. 張陽.哈爾濱工業(yè)大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的駕駛員面部檢測與跟蹤研究[D]. 謝鵬.湖南大學(xué) 2017
[5]基于葉片圖像的植物識別方法研究[D]. 忽勝強(qiáng).河南理工大學(xué) 2016
[6]基于葉片特征的植物種類識別研究及識別系統(tǒng)實(shí)現(xiàn)[D]. 姚明勝.鄭州大學(xué) 2016
[7]智能分類算法在植物分類中的應(yīng)用研究[D]. 羅鵬.中南林業(yè)科技大學(xué) 2014
[8]基于圖像分析的植物葉片識別算法研究[D]. 張寧.北京林業(yè)大學(xué) 2013
[9]基于遺傳神經(jīng)網(wǎng)絡(luò)算法的股票預(yù)測研究[D]. 楊帆.蘭州大學(xué) 2013
[10]基于注意力機(jī)制的圖像顯著區(qū)域提取算法分析與比較[D]. 李敏學(xué).北京交通大學(xué) 2011



本文編號：3192876