馬鈴薯是新世紀(jì)以來(lái)在我國(guó)最為具有發(fā)展前景的高產(chǎn)經(jīng)濟(jì)作物之一,而馬鈴薯病蟲(chóng)害的頻繁出現(xiàn)往往會(huì)直接導(dǎo)致其大量減產(chǎn)或者低產(chǎn)。及時(shí)發(fā)現(xiàn)并有效控制各種病害蟲(chóng),對(duì)于確保馬鈴薯的正常生長(zhǎng)和健康具有重要的作用。傳統(tǒng)的人工檢測(cè)和診斷方法主要是依賴(lài)專(zhuān)家的肉眼觀察,受主觀因素影響較大。因受到空間限制,田間病害和蟲(chóng)害無(wú)法得到快速有效地檢測(cè),所以,利用圖像處理技術(shù)對(duì)馬鈴薯的病蟲(chóng)害進(jìn)行檢測(cè)和診斷可以更好地滿(mǎn)足農(nóng)民對(duì)病蟲(chóng)害診斷與防治的需求。本文以馬鈴薯病蟲(chóng)害圖像為研究對(duì)象,通過(guò)采用機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法提取關(guān)鍵特征,從而確認(rèn)馬鈴薯病蟲(chóng)害種類(lèi)。首先使用相機(jī)在田間進(jìn)行圖像采集,建立數(shù)據(jù)庫(kù)。然后對(duì)圖像進(jìn)行預(yù)處理,并使用K-means聚類(lèi)方法進(jìn)行分割。最后利用改進(jìn)的LBP和遷移學(xué)習(xí)方法提取馬鈴薯病蟲(chóng)害圖像特征并進(jìn)行分類(lèi)。本文的主要研究?jī)?nèi)容和結(jié)論如下:（1）采集并建立馬鈴薯病蟲(chóng)害圖像數(shù)據(jù)庫(kù)。本文使用數(shù)碼相機(jī)和手機(jī)攝像頭等圖像采集設(shè)備在田間進(jìn)行圖像采集,采集地點(diǎn)包括內(nèi)蒙古自治區(qū)武川縣、和林格爾縣和察哈爾右翼中旗,采集病害3類(lèi)、蟲(chóng)害4類(lèi),共1400幅原始圖像。為進(jìn)一步擴(kuò)充圖像數(shù)據(jù)庫(kù),對(duì)原始圖像進(jìn)行了旋轉(zhuǎn)、翻轉(zhuǎn)等操作,共計(jì)得到70... 

【文章來(lái)源】：內(nèi)蒙古農(nóng)業(yè)大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
縮略語(yǔ)表
1 引言
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 國(guó)外研究現(xiàn)狀
        1.2.2 國(guó)內(nèi)研究現(xiàn)狀
    1.3 課題來(lái)源及主要研究?jī)?nèi)容
        1.3.1 課題來(lái)源
        1.3.2 主要研究?jī)?nèi)容
        1.3.3 文章結(jié)構(gòu)安排
    1.4 本章小結(jié)
2 圖像獲取及圖像分割
    2.1 圖像獲取
        2.1.1 馬鈴薯病蟲(chóng)害圖像特點(diǎn)
    2.2 圖像預(yù)處理
        2.2.1 提取G-R分量
        2.2.2 形態(tài)學(xué)處理
        2.2.3 Lab色彩空間
    2.3 圖像分割
        2.3.1 K-means聚類(lèi)
        2.3.2 分割結(jié)果
    2.4 本章小結(jié)
3 基于LBP的馬鈴薯田間病蟲(chóng)害圖像分類(lèi)
    3.1 小波變換
    3.2 LBP
    3.3 雙線(xiàn)性插值
    3.4 三次插值
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 分塊LBP分類(lèi)實(shí)驗(yàn)
        3.5.2 特征提取對(duì)象對(duì)比實(shí)驗(yàn)
        3.5.3 分類(lèi)方法對(duì)比實(shí)驗(yàn)
    3.6 本章小結(jié)
4 卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        4.1.2 卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
    4.2 Inception模型
    4.3 遷移學(xué)習(xí)
        4.3.1 遷移學(xué)習(xí)的方式
        4.3.2 遷移學(xué)習(xí)的分類(lèi)
        4.3.3 Inception V3模型的遷移學(xué)習(xí)
        4.3.4 SoftMax分類(lèi)器
    4.4 基于遷移學(xué)習(xí)的馬鈴薯田間病蟲(chóng)害圖像分類(lèi)
        4.4.1 馬鈴薯田間病害圖像分類(lèi)
        4.4.2 馬鈴薯田間蟲(chóng)害圖像分類(lèi)
        4.4.3 對(duì)比實(shí)驗(yàn)
        4.4.4 實(shí)驗(yàn)結(jié)果分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
作者簡(jiǎn)介


【參考文獻(xiàn)】：
期刊論文
[1]我國(guó)馬鈴薯病蟲(chóng)害發(fā)生現(xiàn)狀與防控策略[J]. 高玉林,徐進(jìn),劉寧,周倩,丁新華,詹家綏,成新躍,黃劍,魯宇文,楊宇紅.  植物保護(hù). 2019(05)
[2]結(jié)合遷移學(xué)習(xí)和Inception-v3模型的路面干濕狀態(tài)識(shí)別方法[J]. 楊煒,周凱霞,劉佳俊,張志威,王童.  中國(guó)科技論文. 2019(08)
[3]基于遷移學(xué)習(xí)的番茄病蟲(chóng)害檢測(cè)[J]. 柴帥,李壯舉.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(06)
[4]基于遷移學(xué)習(xí)的番茄葉片病害圖像分類(lèi)[J]. 王艷玲,張宏立,劉慶飛,張亞爍.  中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2019(06)
[5]基于遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的玉米植株病害識(shí)別[J]. 陳桂芬,趙姍,曹麗英,傅思維,周佳鑫.  智慧農(nóng)業(yè). 2019(02)
[6]一種基于模糊C均值聚類(lèi)的多閾值蘋(píng)果病害圖像分割方法[J]. 賈慶節(jié),齊國(guó)紅,忽曉偉.  智能計(jì)算機(jī)與應(yīng)用. 2019(02)
[7]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)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 龍滿(mǎn)生,歐陽(yáng)春娟,劉歡,付青.  農(nóng)業(yè)工程學(xué)報(bào). 2018(18)
[9]基于GR顏色特征的農(nóng)田綠色作物分割方法[J]. 王雪,郭鑫鑫.  黑龍江科學(xué). 2018(16)
[10]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)

碩士論文
[1]基于遷移學(xué)習(xí)的車(chē)牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 曾臻.北京郵電大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)的農(nóng)作物病害和雜草圖像識(shí)別研究[D]. 王敬賢.中國(guó)科學(xué)技術(shù)大學(xué) 2019
[3]基于小波變換與改進(jìn)局部二進(jìn)制模式的牧草識(shí)別[D]. 韓璠.內(nèi)蒙古農(nóng)業(yè)大學(xué) 2014



本文編號(hào)：3438603