隨著現(xiàn)代信息技術(shù)的飛速發(fā)展,計(jì)算機(jī)視覺(jué)面向不同領(lǐng)域都取得了可觀的成效。圖像識(shí)別作為計(jì)算機(jī)視覺(jué)技術(shù)體系中的關(guān)鍵環(huán)節(jié),其特點(diǎn)是需要依賴(lài)更多數(shù)據(jù)的開(kāi)放、更多基礎(chǔ)工具的開(kāi)源和算法的更新迭代。當(dāng)中利用圖像識(shí)別與計(jì)算機(jī)模擬技術(shù)來(lái)模擬人類(lèi)對(duì)觀測(cè)到的農(nóng)作物圖像進(jìn)行分類(lèi)和判斷,已成為智慧農(nóng)業(yè)應(yīng)用中不可或缺的重要步驟。以玉米為代表的農(nóng)作物果穗圖像識(shí)別可以實(shí)現(xiàn)作物精準(zhǔn)培育、自動(dòng)化考種等智能操作,大程度的降低人力成本并提高分類(lèi)識(shí)別準(zhǔn)確率。其中深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域內(nèi)的一門(mén)新型學(xué)科,其基于卷積神經(jīng)網(wǎng)絡(luò)的圖像應(yīng)用,在圖像識(shí)別領(lǐng)域取得了顯著效果。因此,本文將深度學(xué)習(xí)應(yīng)用結(jié)合到玉米果穗圖像識(shí)別中,分別對(duì)玉米籽粒及穗軸圖像進(jìn)行分類(lèi)識(shí)別。具體研究?jī)?nèi)容如下:1.對(duì)當(dāng)前深度學(xué)習(xí)發(fā)展現(xiàn)狀及問(wèn)題進(jìn)行介紹。通過(guò)Web of knowledge統(tǒng)計(jì)近8年關(guān)于玉米品種識(shí)別的相關(guān)文獻(xiàn)數(shù)據(jù),分析國(guó)內(nèi)外針對(duì)玉米品種識(shí)別的研究情況。2.設(shè)置圖像采集裝置以構(gòu)建數(shù)據(jù)集。通過(guò)在室內(nèi)壞境對(duì)玉米果穗進(jìn)行人工考種,獲得籽粒和穗軸樣本。為了滿足批量處理和后期實(shí)驗(yàn)操作,本實(shí)驗(yàn)運(yùn)用北京農(nóng)業(yè)信息技術(shù)研究中心開(kāi)發(fā)的玉米籽粒表型檢測(cè)系統(tǒng)對(duì)采集的圖像進(jìn)行圖像預(yù)處理,... 

【文章來(lái)源】：江西農(nóng)業(yè)大學(xué)江西省

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【圖文】：

文獻(xiàn)統(tǒng)計(jì)

圖 1-2 傳統(tǒng)機(jī)器學(xué)習(xí)流程圖Fig1-2 Traditional machine learning flow chart(一) 圖像特征提取。雖然不同玉米籽粒的形狀、顏色等特征表達(dá)形式不同，但在檢測(cè)中對(duì)特征選擇、數(shù)據(jù)處理的方式是相似的，模式識(shí)別、圖像處理和數(shù)據(jù)擬合都是分析工具，重點(diǎn)是要對(duì)含大量數(shù)據(jù)的圖像進(jìn)行有效特征提取。其中，張文靜等[5]通過(guò)胚部的形態(tài)特征鑒定玉米品種，利用二值圖像連通區(qū)域分析與標(biāo)記算法以及圖像對(duì)象輪廓提取算法，用 K 均值（K-means）對(duì)提取的玉米胚部形態(tài)特征參數(shù)進(jìn)行分析，實(shí)驗(yàn)結(jié)果顯示 4 種玉米品種識(shí)別率可達(dá) 94％以上。王慧慧等[6]基于壓力傳感器和計(jì)算機(jī)視覺(jué)技術(shù)，構(gòu)建了以顏色特征為主要成分的 PNN 神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了鮮玉米果穗成熟度分類(lèi)，分類(lèi)準(zhǔn)確率高達(dá) 96.67%。程洪等[7]基于梯度圖像的玉米種胚褶皺識(shí)別，利用褶皺梯度值分析褶皺紋理的深淺，為玉米籽粒的特征參數(shù)選取提供了新的對(duì)策，該方法與人工觀測(cè)值的平均吻合率達(dá) 82.7％。在特征選取方面，形態(tài)特征運(yùn)用的比較多，因?yàn)槠涮崛≥^易，在遺傳過(guò)程中，玉米籽粒胚形相對(duì)穩(wěn)定，且不同品種的玉米籽粒胚部特征差異較大，根據(jù)玉米籽粒胚部形態(tài)特征識(shí)別判別玉米品種成為當(dāng)下較為流行的方式。當(dāng)前圍繞像素點(diǎn)的顏色特征大多采用顏色直方圖進(jìn)行圖像特征提取，顏色對(duì)圖像或圖像區(qū)域特征參數(shù)敏感性易受環(huán)境影響，因此加大對(duì)特征參量?jī)?yōu)化算法尤其重要。

基于深度學(xué)習(xí)的玉米果穗分類(lèi)識(shí)別目前，卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展正在進(jìn)入蓬勃發(fā)展階段，其局部權(quán)值共像處理方面有獨(dú)特優(yōu)勢(shì)，其布局更接近于實(shí)際的生物神經(jīng)網(wǎng)絡(luò)，并網(wǎng)絡(luò)的復(fù)雜性，有效避免了特征提取和分類(lèi)期間數(shù)據(jù)重建的復(fù)雜度經(jīng)元模型介紹網(wǎng)絡(luò)的基本構(gòu)成單元稱(chēng)為神經(jīng)元也叫感知機(jī)。神經(jīng)元作為人工智能生物神經(jīng)元細(xì)胞啟發(fā)而來(lái)，1943 年，由心理學(xué)家 Warren McCullor Pitts 提出最早的神經(jīng)元模型 M-P（McCulloch-Pitts），模型結(jié)構(gòu)如入輸出。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積特征的玉米生長(zhǎng)期識(shí)別[J]. 張蕓德,劉蓉,劉明,龔永麗.  電子測(cè)量技術(shù). 2018(16)
[2]基于卷積網(wǎng)絡(luò)的遙感圖像建筑物提取技術(shù)研究[J]. 付發(fā),未建英,張麗娜.  軟件工程. 2018(06)
[3]雙通道Faster R-CNN在RGB-D手部檢測(cè)中的應(yīng)用[J]. 劉壯,柴秀娟,陳熙霖.  計(jì)算機(jī)科學(xué). 2018(05)
[4]基于深度學(xué)習(xí)的遙感影像基礎(chǔ)設(shè)施目標(biāo)檢測(cè)研究[J]. 王港,陳金勇,高峰,吳金亮.  無(wú)線電工程. 2018(03)
[5]一種針對(duì)于行人及車(chē)輛圖片的自動(dòng)彩色化模型[J]. 曾勇,李楠,盧賢票.  汽車(chē)實(shí)用技術(shù). 2018(03)
[6]卷積神經(jīng)網(wǎng)絡(luò)在車(chē)輛識(shí)別中的應(yīng)用[J]. 彭清,季桂樹(shù),謝林江,張少波.  計(jì)算機(jī)科學(xué)與探索. 2018(02)
[7]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類(lèi)和目標(biāo)檢測(cè)應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)
[8]基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用[J]. 胡剛,荊磊,朱磊.  科技創(chuàng)新與應(yīng)用. 2016(31)
[9]曲折中前進(jìn)的人工智能[J]. 孫秋霞.  中國(guó)科技獎(jiǎng)勵(lì). 2016(09)
[10]玉米籽粒完整性識(shí)別的深度學(xué)習(xí)方法[J]. 魏英姿,譚龍?zhí)?歐陽(yáng)海飛,趙祉淇.  沈陽(yáng)理工大學(xué)學(xué)報(bào). 2016(04)



本文編號(hào)：2974847