隨著我國馬鈴薯主糧化戰(zhàn)略的啟動,馬鈴薯的生產(chǎn)與加工在滿足人口數(shù)量大、保障國家糧食安全、緩解資源環(huán)境壓力等方面將有著不可替代的作用。在馬鈴薯生長期間中,由于其處在復雜的自然背景下,不可避免會受到害蟲的侵害。傳統(tǒng)馬鈴薯蟲害的識別工作主要由種植者通過人眼觀察結(jié)合種植經(jīng)驗進行識別分類,這種分類方法不僅耗費人力與時間,還會受主觀因素影響導致識別效果出現(xiàn)偏差。隨著精準農(nóng)業(yè)技術的發(fā)展,對馬鈴薯蟲害快速預防和診治的需求將越來越高,在馬鈴薯生長過程中能夠準確并快速識別蟲害種類成為了迫切需求�；诖�,本文選用6種典型馬鈴薯蟲害作為研究對象,開發(fā)了一款采用深度學習算法嵌入移動端的馬鈴薯蟲害識別系統(tǒng)。本文的主要成果和創(chuàng)新點如下:(1)通過對卷積神經(jīng)網(wǎng)絡的研究搭建網(wǎng)絡,選用不同結(jié)構、不同參數(shù)進行實驗,確定最優(yōu)卷積神經(jīng)網(wǎng)絡。對三種數(shù)據(jù)集進行實驗對比,發(fā)現(xiàn)采用圖像預處理并數(shù)據(jù)增強后的數(shù)據(jù)集訓練網(wǎng)絡可達到最佳識別效果,訓練識別率達到92%。(2)通過對遷移學習的研究,采用輕量級深度卷積網(wǎng)絡MobileNet實現(xiàn)分類模型。該網(wǎng)絡區(qū)別于常規(guī)卷積采用深度可卷積技術,可有效地減少卷積核的冗余表達、減少移動端設備運行時的計算量和降低模型占比,對蟲害測試樣本識別率為96%,權重文件大小為16MB。(3)通過對Android平臺的研究,將經(jīng)過數(shù)據(jù)集訓練后的權重文件嵌入移動端以方便調(diào)用,設計并實現(xiàn)了基于移動端的馬鈴薯蟲害智能識別系統(tǒng)。采用多線程編程技術使系統(tǒng)加快運行速度以快速識別,此外,系統(tǒng)交互界面提供實時拍攝檢測和相冊選取檢測兩個功能。在軟件實際應用中,每類蟲害識別率均在89%以上,識別時間為0.3秒。最終實驗結(jié)果表明,本文設計的基于移動端的智能識別系統(tǒng)在識別馬鈴薯蟲害種類方面效果良好,該系統(tǒng)識別準確率高、識別速度快、可操作性強,滿足設計要求。
【學位單位】：內(nèi)蒙古工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：S435.32;TP18;TP391.41
【部分圖文】：

Fig.2-1 The flowchart of image preprocessing如上圖所示，首先在圖像預處理過程中采用中值濾波算法進行圖像濾波，二維 Otsu 算法進行圖像分割，最后利用形態(tài)學處理方法將分割圖像進行后理，達到有效分割出目標對象的效果。.2 采集并整理數(shù)據(jù)集本文數(shù)據(jù)集是通過固定攝像頭在自然條件背景下進行馬鈴薯典型蟲害采型蟲害共計 650 張圖，分 6 種類型，分別為：大甲蟲、瓢蟲、蚜蟲、地老鈴薯莖塊蛾和螻蛄，樣本數(shù)量為：170、120、100、60、110、90。a).大甲蟲 b).瓢蟲 c).蚜蟲a).Big beetle b).Ladybug c).Aphis

大的順序排列的像素灰度值。中值濾波設定像素窗口時，常選用奇數(shù)像素數(shù)作為運算輸入，以便于簡化，常用窗口形狀有如：線形、十字形、菱形、正方形等，本文使用正方形窗行像素點處理。此外窗口尺寸的不同對于濾波效果也存在著影響，中值濾波尺寸分別有 3×3,、5×5、7×7、9×9 等，不同尺寸分別適用于不同質(zhì)量的圖像本文數(shù)據(jù)集而言，尺寸過大、濾波效果越好、圖像邊緣信息越模糊，尺寸過小波效果越差、圖像邊緣信息越明顯。經(jīng)本文數(shù)據(jù)集進行不同尺寸中值濾波效對比，選擇 3×3 尺寸，該尺寸在保證濾波效果的同時，還極大程度上保留了的邊緣信息。中值濾波效果如圖 2-3 所示。a).大甲蟲 b).瓢蟲 c).蚜蟲a).Big beetle b).Ladybug c).Aphis

2111202B0 0iijjiijjtr S wu u u u wu u u u(2-佳閾值： s , t argmaxtrSi,j(2-在算法研究中發(fā)現(xiàn)分布在二維直方圖主對角線周圍的主要為前景部分與部分的像素點，遠離主對角線分布的主要為邊界和噪聲的像素點。因此，確佳閾值后將前景區(qū)域設定為 1,1 表示白色，將背景區(qū)域表示為 0,0 為黑色，得到二維分割圖像，如圖 2-4 所示。a).大甲蟲 b).瓢蟲 c).蚜蟲a).Big beetle b).Ladybug c).Aphis
【參考文獻】

相關期刊論文 前10條

1 魯恒;付蕭;賀一楠;李龍國;莊文化;劉鐵剛;;基于遷移學習的無人機影像耕地信息提取方法[J];農(nóng)業(yè)機械學報;2015年12期

2 薛麗娜;吳晟;;基于Android平臺的馬鈴薯蟲害指認診斷系統(tǒng)[J];安徽農(nóng)業(yè)科學;2015年28期

3 戴建國;賴軍臣;;基于圖像規(guī)則與Android手機的棉花病蟲害診斷系統(tǒng)[J];農(nóng)業(yè)機械學報;2015年01期

4 王文靜;;機器視覺技術在現(xiàn)代農(nóng)業(yè)中的應用[J];現(xiàn)代農(nóng)業(yè)科技;2014年08期

5 溫芝元;曹樂平;;椪柑果實病蟲害的傅里葉頻譜重分形圖像識別[J];農(nóng)業(yè)工程學報;2013年23期

6 溫芝元;曹樂平;;基于為害狀色相多重分形的椪柑病蟲害圖像識別[J];農(nóng)業(yè)機械學報;2014年03期

7 溫芝元;曹樂平;;基于補償模糊神經(jīng)網(wǎng)絡的臍橙不同病蟲害圖像識別[J];農(nóng)業(yè)工程學報;2012年11期

8 謝從華;;馬鈴薯產(chǎn)業(yè)的現(xiàn)狀與發(fā)展[J];華中農(nóng)業(yè)大學學報(社會科學版);2012年01期

9 張建華;冀榮華;袁雪;李慧;祁力鈞;;基于徑向基支持向量機的棉花蟲害識別[J];農(nóng)業(yè)機械學報;2011年08期

10 權龍哲;祝榮欣;雷溥;韓豹;;基于K-L變換與LS-SVM的玉米品種識別方法[J];農(nóng)業(yè)機械學報;2010年04期

相關博士學位論文 前3條

1 曾偉輝;面向農(nóng)作物葉片病害魯棒性識別的深度卷積神經(jīng)網(wǎng)絡研究[D];中國科學技術大學;2018年

2 韓瑞珍;基于機器視覺的農(nóng)田害蟲快速檢測與識別研究[D];浙江大學;2014年

3 胡秋霞;基于圖像分析的植物葉部病害識別方法研究[D];西北農(nóng)林科技大學;2013年

相關碩士學位論文 前1條

1 姜慧;基于Android的水稻害蟲圖像采集與識別系統(tǒng)研究[D];浙江理工大學;2013年

本文編號：2838475