發(fā)布時(shí)間：2024-03-26 22:14

　　圖像分類技術(shù)在基于植物葉片的物種識(shí)別研究中發(fā)揮著關(guān)鍵作用,近年來(lái),關(guān)于植物物種識(shí)別的研究層出不窮,然而葉片形態(tài)特征能否為同一物種的不同品種提供足夠的分類依據(jù)目前尚不明確。大豆作為一種重要的經(jīng)濟(jì)作物,具有豐富的生產(chǎn)和食用價(jià)值,品種識(shí)別在其質(zhì)量評(píng)價(jià)和農(nóng)業(yè)生產(chǎn)等場(chǎng)景中扮演著至關(guān)重要的角色。大豆葉片外形品種間差異小而品種內(nèi)差異大的特點(diǎn)給識(shí)別任務(wù)帶來(lái)了較大挑戰(zhàn)。本文以大豆品種識(shí)別為研究目標(biāo),提出了兩種性能較高的品種葉片識(shí)別網(wǎng)絡(luò)模型,主要工作如下:(1)構(gòu)建了大豆多品種葉片數(shù)據(jù)集并運(yùn)用深度卷積網(wǎng)絡(luò)提取具有較強(qiáng)區(qū)分性的大豆葉片特征。大豆品種識(shí)別較傳統(tǒng)意義上的植物物種識(shí)別任務(wù)更具挑戰(zhàn)性,難以針對(duì)性地設(shè)計(jì)相應(yīng)的特征描述子,利用深度卷積網(wǎng)絡(luò)探究并提取了葉片全局與局部信息對(duì)品種識(shí)別效果的影響,并改進(jìn)已有的雙路網(wǎng)絡(luò)模型TwoCNN,其網(wǎng)絡(luò)層級(jí)更深,特征提取能力更強(qiáng),從而更好地融合葉片全局與局部特征用于大豆品種識(shí)別。實(shí)驗(yàn)結(jié)果表明,單一的葉片全局與局部信息均未能取得較理想的品種識(shí)別效果,通過(guò)增大局部信息豐富度可以小幅提高識(shí)別準(zhǔn)確率并略微優(yōu)于全局信息所對(duì)應(yīng)的識(shí)別效果,但品種識(shí)別效果還存在較大的提升空間。融合全局與局...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1大豆葉片示例

5同屬一類物種，葉片外形品種間差異很小，如圖1-1（a）所示，三張大豆葉片圖像樣本均來(lái)自不同品種。大豆植株在培育和生長(zhǎng)過(guò)程中不同部位的葉片光合作用程度也不同，且處于不同生育期的大豆植株成熟程度不一，諸多因素導(dǎo)致大豆葉片品種內(nèi)的差異較大，如圖1-1（b）所示，三張大豆葉片圖像樣本均....

圖2-1SoyCultivar-100數(shù)據(jù)集(a)(b)

9圖2-1SoyCultivar-100數(shù)據(jù)集2.2大豆葉片區(qū)分性特征提取從上一小節(jié)SoyCultivar-100數(shù)據(jù)集的樣例展示可以看出，大豆葉片外形品種間差異不明顯，很難通過(guò)人為方式針對(duì)性地設(shè)計(jì)手工特征，因此，運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)探究并提取具有代表性的特征表示是大豆品種識(shí)別研究至....

圖2-3部分葉Class64Class5Class64a

進(jìn)行合理的預(yù)處理，將所有圖像沿葉片輪廓的最小矩形包圍盒裁取出來(lái)，以裁取的全數(shù)據(jù)中圖像最長(zhǎng)邊為基準(zhǔn)，將所有圖像以葉片為中心補(bǔ)形成方形（避免后續(xù)縮小操作扭曲原始圖像，也保證所有圖像的縮小程度相同），然后運(yùn)用雙線性插值算法縮小至256×256大小，縮小后的葉片圖像能夠保留比較明顯的形狀....

圖2-3部分葉Class64Class5Class64a

進(jìn)行合理的預(yù)處理，將所有圖像沿葉片輪廓的最小矩形包圍盒裁取出來(lái)，以裁取的全數(shù)據(jù)中圖像最長(zhǎng)邊為基準(zhǔn)，將所有圖像以葉片為中心補(bǔ)形成方形（避免后續(xù)縮小操作扭曲原始圖像，也保證所有圖像的縮小程度相同），然后運(yùn)用雙線性插值算法縮小至256×256大小，縮小后的葉片圖像能夠保留比較明顯的形狀....

本文編號(hào)：3939760