準(zhǔn)確地獲取農(nóng)作物生長(zhǎng)發(fā)育期信息,可以科學(xué)地指導(dǎo)施肥灌溉等農(nóng)事作業(yè),有效地促進(jìn)現(xiàn)代農(nóng)業(yè)的發(fā)展。玉米是我國(guó)的主要農(nóng)作物之一,其種植地區(qū)環(huán)境氣候復(fù)雜多變,及時(shí)獲取其生長(zhǎng)發(fā)育狀況并實(shí)施相關(guān)的農(nóng)事作業(yè)是一項(xiàng)重要的任務(wù),因此,玉米發(fā)育期自動(dòng)識(shí)別方法是目前農(nóng)作物生長(zhǎng)觀測(cè)領(lǐng)域的研究熱點(diǎn)之一。為了解決傳統(tǒng)玉米發(fā)育期自動(dòng)識(shí)別方法提取特征效率低,識(shí)別效果差的問(wèn)題,本文把深度學(xué)習(xí)引入到玉米發(fā)育期自動(dòng)識(shí)別研究中,提出了基于卷積神經(jīng)網(wǎng)絡(luò)的玉米發(fā)育期識(shí)別方法,結(jié)合遷移學(xué)習(xí)、圖像平均分割預(yù)處理和基于多尺寸特征圖的檢測(cè)算法,建立并優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)了高效的玉米發(fā)育期自動(dòng)識(shí)別。具體研究?jī)?nèi)容如下:研究了卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu),分析了標(biāo)準(zhǔn)卷積和輕量化卷積方式,分別搭建了標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)框架和輕量化卷積神經(jīng)網(wǎng)絡(luò)框架,采用玉米發(fā)育期訓(xùn)練集樣本進(jìn)行訓(xùn)練,得到玉米發(fā)育期識(shí)別的標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)模型和輕量化卷積神經(jīng)網(wǎng)絡(luò)模型,對(duì)玉米發(fā)育期測(cè)試集樣本進(jìn)行預(yù)測(cè),結(jié)果表明,與傳統(tǒng)方法相比,卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)正確率更高,且輕量化識(shí)別模型比標(biāo)準(zhǔn)識(shí)別模型訓(xùn)練速度更快。針對(duì)樣本不足導(dǎo)致的輕量化卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型過(guò)擬合問(wèn)題,利用遷移學(xué)習(xí)中的...

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 技術(shù)難點(diǎn)與研究?jī)?nèi)容
        1.3.1 研究難點(diǎn)
        1.3.2 研究?jī)?nèi)容及創(chuàng)新點(diǎn)
    1.4 技術(shù)路線
第二章 卷積神經(jīng)網(wǎng)絡(luò)的理論研究
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.2.1 卷積層
        2.2.2 激活層
        2.2.3 池化層
        2.2.4 全連接層
        2.2.5 目標(biāo)函數(shù)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算方法
        2.3.1 前向傳播算法
        2.3.2 反向傳播算法和梯度下降算法
    2.4 本章小結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米發(fā)育期識(shí)別方法
    3.1 玉米發(fā)育期數(shù)據(jù)集樣本的采集
    3.2 玉米發(fā)育期的傳統(tǒng)識(shí)別方法
        3.2.1 基于RGB和 HSL顏色空間提取色素識(shí)別玉米發(fā)育期
        3.2.2 基于圖像增強(qiáng)和分割識(shí)別玉米發(fā)育期
        3.2.3 傳統(tǒng)方法的實(shí)驗(yàn)分析
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米發(fā)育期識(shí)別方法
        3.3.1 訓(xùn)練樣本的預(yù)處理
        3.3.2 標(biāo)準(zhǔn)卷積方式和輕量化卷積方式
        3.3.3 標(biāo)準(zhǔn)卷積神經(jīng)網(wǎng)絡(luò)的框架及訓(xùn)練
        3.3.4 輕量化卷積神經(jīng)網(wǎng)絡(luò)的框架及訓(xùn)練
        3.3.5 分析比較卷積神經(jīng)網(wǎng)絡(luò)方法實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別方法的改進(jìn)研究
    4.1 基于遷移學(xué)習(xí)改進(jìn)識(shí)別模型
        4.1.1 遷移學(xué)習(xí)和微調(diào)
        4.1.2 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)驗(yàn)設(shè)計(jì)
        4.1.3 實(shí)驗(yàn)結(jié)果與分析
    4.2 基于平均分割圖像預(yù)處理和投票法改進(jìn)識(shí)別模型
        4.2.1 分析三葉期和抽雄期識(shí)別率低的原因
        4.2.2 數(shù)據(jù)樣本的預(yù)處理
        4.2.3 數(shù)據(jù)樣本的平衡處理和擴(kuò)充
        4.2.4 投票法
        4.2.5 實(shí)驗(yàn)結(jié)果與分析
    4.3 基于多尺寸特征圖的雄穗檢測(cè)模型
        4.3.1 檢測(cè)框架
        4.3.2 數(shù)據(jù)集樣本處理
        4.3.3 實(shí)驗(yàn)與結(jié)果分析
    4.4 本章小結(jié)
第五章 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



本文編號(hào)：3811716