農(nóng)作物病蟲害情況是農(nóng)業(yè)生產(chǎn)活動中面臨的主要挑戰(zhàn)之一,因其種類繁多且復(fù)雜,在諸多特定環(huán)境下非常容易爆發(fā)從而導(dǎo)致農(nóng)產(chǎn)品產(chǎn)量下降甚至絕收。而隨著社會的不斷進(jìn)步發(fā)展,世界總?cè)丝诘牟粩嘣鲩L,農(nóng)業(yè)用地不斷縮減;如何確保農(nóng)作物的產(chǎn)能與市場需求的良性滿足就成為了一個日益嚴(yán)峻的課題;而病蟲害問題就是這個課題中的關(guān)鍵環(huán)節(jié)。本文提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害圖像分類方法,以全球AI挑戰(zhàn)賽提供的迄今為止國內(nèi)農(nóng)業(yè)領(lǐng)域中實(shí)景拍攝植物葉片病害規(guī)模最大的數(shù)據(jù)集（共61類,47637張圖片）進(jìn)行深入研究。本文主要研究工作如下:（1）針對農(nóng)作物病蟲害分類任務(wù),使用基于VGG-16的農(nóng)作物病蟲害分類模型把病蟲害分為61類。實(shí)驗(yàn)表明,該模型能夠?qū)r(nóng)作物病蟲害進(jìn)行有效辨識,總體識別準(zhǔn)確率為76.8%,具有良好的應(yīng)用前景。（2）詳細(xì)分析了傳統(tǒng)圖像分類任務(wù)與農(nóng)作物病蟲害分類的異同點(diǎn),本文使用的病蟲害數(shù)據(jù)集有10個物種,27種病害,10個健康分類,而傳統(tǒng)圖像分類任務(wù)只能把病蟲害分為61類,因此專門針對病蟲害數(shù)據(jù)集設(shè)計(jì)多分支結(jié)構(gòu)。Multi-branches CNN模型使用多分支結(jié)構(gòu)專門針對病蟲害數(shù)據(jù)進(jìn)行分類,每個種類的農(nóng)作物... 

【文章來源】：江西農(nóng)業(yè)大學(xué)江西省

【文章頁數(shù)】：48 頁

【學(xué)位級別】：碩士

【部分圖文】：

標(biāo)準(zhǔn)卷積網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖 2-2 AlexNet 架構(gòu)Fig 2-2 AlexNet ArchitectureVGG-Net 是繼 AlexNet 之后許多層 ConvNet 架構(gòu)中的第一個也是最簡單的一個結(jié)構(gòu)。再后來 Google 提出了一個更深層的架構(gòu)，通常稱為 GoogLeNet，共 22 層[33]。由于使用了所謂的初始模塊作為構(gòu)建塊，因此 GoogLeNet 比 VGG-Net 更深，所需參數(shù)要少得多。在初始模塊中，各種尺度的卷積運(yùn)算和空間池并行發(fā)生。模塊還增加了1×1 卷積，其用于降低維數(shù)以避免濾波器冗余，同時保持網(wǎng)絡(luò)的大小可控。這種跨渠道匯集的想法是由一項(xiàng)名為 NiN[34]的研究結(jié)果推動的，該研究揭示了學(xué)習(xí)網(wǎng)絡(luò)中存在大量冗余。典型的 inception 模塊，展示了順序和并行執(zhí)行的操作的 GoogLeNe架構(gòu)如圖 2-3 所示：

圖 2-2 AlexNet 架構(gòu)Fig 2-2 AlexNet ArchitectureVGG-Net 是繼 AlexNet 之后許多層 ConvNet 架構(gòu)中的第一個也是最簡單的一個結(jié)構(gòu)。再后來 Google 提出了一個更深層的架構(gòu)，通常稱為 GoogLeNet，共 22 層[33]。由于使用了所謂的初始模塊作為構(gòu)建塊，因此 GoogLeNet 比 VGG-Net 更深，所需參數(shù)要少得多。在初始模塊中，各種尺度的卷積運(yùn)算和空間池并行發(fā)生。模塊還增加了1×1 卷積，其用于降低維數(shù)以避免濾波器冗余，同時保持網(wǎng)絡(luò)的大小可控。這種跨渠道匯集的想法是由一項(xiàng)名為 NiN[34]的研究結(jié)果推動的，該研究揭示了學(xué)習(xí)網(wǎng)絡(luò)中存在大量冗余。典型的 inception 模塊，展示了順序和并行執(zhí)行的操作的 GoogLeNet架構(gòu)如圖 2-3 所示：

【參考文獻(xiàn)】：
期刊論文
[1]面向人臉表情識別的遷移卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 翟懿奎,劉健.  信號處理. 2018(06)
[2]論氣候變化對中國農(nóng)作物病蟲害發(fā)生的影響[J]. 王燕方.  農(nóng)民致富之友. 2017(18)
[3]基于深度卷積特征的細(xì)粒度圖像分類研究綜述[J]. 羅建豪,吳建鑫.  自動化學(xué)報(bào). 2017(08)
[4]農(nóng)作物病蟲害圖像識別技術(shù)的研究綜述[J]. 汪京京,張武,劉連忠,黃帥.  計(jì)算機(jī)工程與科學(xué). 2014(07)
[5]基于圖像識別的小麥腥黑穗病害特征提取與分類[J]. 鄧?yán)^忠,李敏,袁之報(bào),金濟(jì),黃華盛.  農(nóng)業(yè)工程學(xué)報(bào). 2012(03)
[6]概率神經(jīng)網(wǎng)絡(luò)在玉米葉部病害識別中的應(yīng)用[J]. 陳麗,王蘭英.  農(nóng)機(jī)化研究. 2011(06)

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]基于卷積神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像癌變識別研究[D]. 薛迪秀.中國科學(xué)技術(shù)大學(xué) 2017
[3]基于圖譜特征分析的農(nóng)業(yè)蟲害檢測方法研究[D]. 劉子毅.浙江大學(xué) 2017

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的細(xì)粒度角膜炎圖像分類研究[D]. 甘天圣.浙江大學(xué) 2018



本文編號：3522059