準(zhǔn)確地獲取農(nóng)作物生長發(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),有效地促進現(xiàn)代農(nóng)業(yè)的發(fā)展。玉米是我國的主要農(nóng)作物之一,其種植地區(qū)環(huán)境氣候復(fù)雜多變,及時獲取其生長發(fā)育狀況并實施相關(guān)的農(nóng)事作業(yè)是一項重要的任務(wù),因此,玉米發(fā)育期自動識別方法是目前農(nóng)作物生長觀測領(lǐng)域的研究熱點之一。為了解決傳統(tǒng)玉米發(fā)育期自動識別方法提取特征效率低,識別效果差的問題,本文把深度學(xué)習(xí)引入到玉米發(fā)育期自動識別研究中,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算法,建立并優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)了高效的玉米發(fā)育期自動識別。具體研究內(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)練集樣本進行訓(xùn)練,得到玉米發(fā)育期識別的標(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,對玉米發(fā)育期測試集樣本進行預(yù)測,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)測正確率更高,且輕量化識別模型比標(biāo)準(zhǔn)識別模型訓(xùn)練速度更快。針對樣本不足導(dǎo)致的輕量化卷積神經(jīng)網(wǎng)絡(luò)識別模型過擬合問題,利用遷移學(xué)習(xí)中的...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：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 國內(nèi)外研究現(xiàn)狀
    1.3 技術(shù)難點與研究內(nèi)容
        1.3.1 研究難點
        1.3.2 研究內(nèi)容及創(chuàng)新點
    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)識別方法
        3.2.1 基于RGB和 HSL顏色空間提取色素識別玉米發(fā)育期
        3.2.2 基于圖像增強和分割識別玉米發(fā)育期
        3.2.3 傳統(tǒng)方法的實驗分析
    3.3 基于卷積神經(jīng)網(wǎng)絡(luò)的玉米發(fā)育期識別方法
        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)方法實驗結(jié)果
    3.4 本章小結(jié)
第四章 卷積神經(jīng)網(wǎng)絡(luò)識別方法的改進研究
    4.1 基于遷移學(xué)習(xí)改進識別模型
        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)模型實驗設(shè)計
        4.1.3 實驗結(jié)果與分析
    4.2 基于平均分割圖像預(yù)處理和投票法改進識別模型
        4.2.1 分析三葉期和抽雄期識別率低的原因
        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充
        4.2.4 投票法
        4.2.5 實驗結(jié)果與分析
    4.3 基于多尺寸特征圖的雄穗檢測模型
        4.3.1 檢測框架
        4.3.2 數(shù)據(jù)集樣本處理
        4.3.3 實驗與結(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
作者簡介



本文編號：3811716