發(fā)布時間：2020-12-23 00:52

　　圖像識別的技術屬于一種模式識別技術,是人工智能的一個重要的領域。它是指對圖像進行識別,是用來識別各種不同模式的對象和目標的一種技術,它可以通過現(xiàn)代的信息處理技術和計算機的技術,去模擬人的視覺認知和理解的一系列過程。它的主要內容是對圖像的特征進行提取,根據(jù)的是圖像處理,并以此為基礎對圖像進行識別和分類。本文是在這種背景下提出的,本試驗以黃瓜霜霉病為主要研究對象,探究基于深度學習神經網(wǎng)絡的黃瓜霜霉病圖像識別的方法:1.試驗通過把接菌后的黃瓜葉片,調節(jié)各種不同環(huán)境條件如不同品種、不同溫濕度、不同葉齡、葉片濕潤與否等來觀察葉片上病斑的變化,找出各種不同條件下霜霉病圖像樣本之間的差異,為軟件識別提供不同的圖像樣本,試驗結果表明:抗性不同和葉齡的差異對霜霉病病斑圖像的影響比較大,易感品種和壯齡葉片染病后病情最嚴重且葉背面霉層稠密,病斑呈現(xiàn)多角形的狀態(tài),病斑面積大且集中;在不同溫濕度的試驗中發(fā)現(xiàn)25℃95%濕度的條件下,葉片存活時間最長,病斑變化最連續(xù)。在葉片濕潤與否對葉片病斑變化的實驗中發(fā)現(xiàn),表面濕潤的葉片相比于表面不濕潤的葉片病斑發(fā)病速率略快,但整體差異不大。2.把試驗收集的大量健康葉片和被霜霉... 

【文章來源】：沈陽農業(yè)大學遼寧省

【文章頁數(shù)】：53 頁

【學位級別】：碩士

【部分圖文】：

黃瓜霜霉病葉片的拍攝樣本

2.2 生產溫室樣本采集2.2.1 實驗地點試驗地點選在新民市霜霉病嚴重發(fā)病的農戶家溫室內。2.2.2 試驗器材與材料取像設備：佳能 60D 攝像機(有需要時會用到攝像機支架)、智能手機等。2.2.3 試驗方法本實驗采用佳能 60d 攝像機、智能手機等設備，由于不能摘下葉片，所以盡可能地找光線足的地方，全方位多角度的拍攝染病葉片，以自然光為主，物體應距離窗口和白墻 1 米以上，最佳拍照時間為上午 7~9 點，保證拍攝時被拍攝物體表面無其他陰影（樹木、人物等）投射。為了便于病害樣本建設，及滿足未來實際生產條件下病害診斷，溫室內建議在單一背景和復雜背景下同時拍攝病害樣本，單一背景采用白色打印紙為背景復雜背景采用土壤、地面、其他拍攝物體。拍攝如圖 2-2 所示。

（a）修圖前 (b) 修圖后圖 2-3 圖像的預處理Fig. 2-3 Image preprocessing每個試驗里的每組葉片都會收集出大量的圖片，整個試驗大概 8000 張左以圖片數(shù)據(jù)量巨大，需要每個試驗都做好記錄，做好圖像備份，在移動硬另拷貝一份，以免丟失一張導致影響整體病斑連續(xù)性的查看而損失嚴重。斑占葉片的面積葉片面積上病斑的面積即相對病斑面積（Relativelesionarea,RLA）。它是度的一個客觀指標。它不但有利于檢測病害，而且還具體的反應了病原菌侵染程度和病斑的擴展程度。關于 RLA 的測量，之前有很多學者使用過以歸納為傳統(tǒng)法、儀器法和軟件法三類。也有學者嘗試用 Photoshop 對葉行直接測定，無需進行另外的繁瑣地處理，并且整個過程只需要幾次區(qū)域單操作即可，步驟十分簡單并且精確度較高（崔華威，2009）。本文也采行的計算。

【參考文獻】：
期刊論文
[1]基于卷積神經網(wǎng)絡的馬鈴薯葉片病害識別系統(tǒng)[J]. 趙建敏,李艷,李琦,蘆建文.  江蘇農業(yè)科學. 2018(24)
[2]基于深度學習的推薦算法研究綜述[J]. 王俊淑,張國明,胡斌.  南京師范大學學報(工程技術版). 2018(04)
[3]基于深度學習的水稻葉部病害識別方法研究[J]. 路陽,郭丹,沈賀,李欣,韓正君.  信息記錄材料. 2018(12)
[4]基于深度學習的植物病蟲害圖像識別[J]. 安強強,張峰,李趙興,張雅瓊.  農業(yè)工程. 2018(07)
[5]卷積神經網(wǎng)絡在黃瓜葉部病害識別中的應用[J]. 張善文,謝澤奇,張晴晴.  江蘇農業(yè)學報. 2018(01)
[6]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[7]一種基于Photoshop的葉片相對病斑面積快速測定方法[J]. 崔華威,楊艷麗,黎敬濤,羅文富,苗愛敏,胡振興,韓小女.  安徽農業(yè)科學. 2009(22)

博士論文
[1]基于機器學習的作物病害圖像處理及病變識別方法研究[D]. 譚文學.北京工業(yè)大學 2016

碩士論文
[1]基于領域詞典與機器學習的中文評論情感分析[D]. 楊鵬.南京郵電大學 2018
[2]深度學習在社交網(wǎng)絡文本分類中的應用研究[D]. 方金朋.大連交通大學 2018
[3]基于深度學習的葡萄葉片病害識別方法研究[D]. 劉媛.甘肅農業(yè)大學 2018
[4]基于機器學習的水稻病害識別算法的研究[D]. 劉成.安徽大學 2018
[5]基于深度學習的農作物病害識別[D]. 李凱雨.河南農業(yè)大學 2018
[6]基于卷積神經網(wǎng)絡的小麥葉部病害圖像識別研究[D]. 林中琦.山東農業(yè)大學 2018
[7]雙流網(wǎng)絡架構下的行為識別隱含層模型研究[D]. 劉松泉.合肥工業(yè)大學 2018
[8]基于卷積神經網(wǎng)絡的大豆病害識別研究[D]. 徐冬.安徽大學 2018
[9]基于深度卷積網(wǎng)絡的農業(yè)病蟲害圖像分類識別應用[D]. 顧文璇.武漢輕工大學 2017
[10]基于卷積神經網(wǎng)絡的煙草病害自動識別研究[D]. 李敬.山東農業(yè)大學 2016



本文編號：2932756