傳統(tǒng)農(nóng)業(yè)正在逐漸邁入大數(shù)據(jù)時代,農(nóng)業(yè)信息化、互聯(lián)網(wǎng)農(nóng)業(yè)、精準農(nóng)業(yè)的理念日益得到體現(xiàn)與應用。對于農(nóng)業(yè)數(shù)據(jù)信息的需求也隨之知識化、精細化、實時化,其中,農(nóng)作物的種植狀況,種植品種、種植面積、生長狀況等,往往是農(nóng)業(yè)決策、農(nóng)業(yè)信息化應用的前提。如何進行農(nóng)業(yè)種植數(shù)據(jù)的采集,如何快速方便準確地識別農(nóng)作物,是一個值得深入探討的話題。為此,學者們提出從空中進行農(nóng)業(yè)信息的采集方式,以便捷地獲取農(nóng)業(yè)大數(shù)據(jù)信息。以往從高空中進行農(nóng)作物圖像采集并識別多以遙感技術(shù)為主,但這種實現(xiàn)方式存在計算復雜、識別效率低等問題,具有一定的限制性。近年來,在深度學習技術(shù)的推動下,圖像識別與分類得到了廣泛的應用,但將深度學習技術(shù)運用于航拍所得的農(nóng)作物遙感圖像在處理上存在著其特有的難度。如高空層次特征豐富但細節(jié)信息不充分,以及背景多元化干擾等特點,如何能形成一種有效的多分類方法是非常值得探索的問題。本文重點研究了深度學習在航拍農(nóng)作物圖像識別中的方法,主要研究內(nèi)容如下:（1）鑒于航拍農(nóng)作物圖像的公開數(shù)據(jù)集有限,本文綜合采用網(wǎng)絡(luò)爬取、消費級無人機實地拍攝等方式獲取農(nóng)作物航拍圖像。并且,為了更好地利用航拍農(nóng)作物圖像信息和擴增圖像數(shù)據(jù)量,... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

航拍下車輛識別與農(nóng)作物識別圖像

圖 3-1 航拍下車輛識別與農(nóng)作物識別圖像gure 3-1 Vehicle identification and crop identification images at high altitude距離而言，農(nóng)作物圖像為較高距離拍攝，與普通近距離產(chǎn)生的圖像拍圖像識別的難度較大，普通神經(jīng)網(wǎng)絡(luò)并不能滿足其要求。農(nóng)作物采用的圖像識別數(shù)據(jù)庫的區(qū)別在于，如果無人機拍攝高度和視角不攝的圖像大小和形狀也有所差異，對圖像處理有一定的挑戰(zhàn)。另外目標識別，通常為單一的類別，而航拍的農(nóng)作物圖像包含了多種類特征相互混淆。如對比圖像識別中 Flowers 數(shù)據(jù)集[55]與無人機所拍像，分別如圖 3-2 中（a）與（b）所示。

進行農(nóng)作物識別與其他物種識別存在很大的差異，而航拍農(nóng)作物識別比普通的近距離事物的識別難度更高。無人機拍攝圖像覆蓋面積廣大，包含多種農(nóng)作物，且特征復雜，從而增加農(nóng)作物分類識別的困難。針對農(nóng)作物航拍圖像識別的高難度，所采用的網(wǎng)絡(luò)模型需要具備較高的識別率，能夠在特征不分明情況下進行農(nóng)作物識別。為了更直觀了解近距離事物與航拍農(nóng)作物的區(qū)別，本文對二者進行卷積并輸出特征圖。卷積層表達式如（3.1）所示：k 1kf W f b （3.1）其中W為卷積核的權(quán)值，kf為第k個卷積層的輸入元素，b表示偏差。與傳統(tǒng)的全連神經(jīng)網(wǎng)絡(luò)相對比，卷積的參數(shù)優(yōu)化變少了很多，計算量也減少了很多。通過可視化近距離 Flowers 圖像與農(nóng)作物航拍圖像的卷積層特征輸出的結(jié)果，對比第一個卷積層的特征輸出如下圖 3-3 所示，可明顯看出，肉眼便可以識別出近距離的圖像為雛菊，但難于準確辨認出航拍圖像下的黃瓜。

【參考文獻】：
期刊論文
[1]深度學習在遙感影像分類與識別中的研究進展綜述[J]. 王斌,范冬林.  測繪通報. 2019(02)
[2]論新時期中國特色的農(nóng)業(yè)外交[J]. 張帥,孫德剛.  寧夏社會科學. 2019(01)
[3]基于深度學習卷積神經(jīng)網(wǎng)絡(luò)圖像識別技術(shù)的研究與應用[J]. 楊子賢.  中國設(shè)備工程. 2018(23)
[4]淺談深度學習在圖像識別領(lǐng)域的應用現(xiàn)狀與優(yōu)勢[J]. 孟令,朱正,林世忠,晏節(jié)晉.  電工技術(shù). 2018(16)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農(nóng)業(yè)工程學報. 2018(02)
[6]基于Softmax回歸模型的協(xié)同過濾算法研究與應用[J]. 孟佩,曹菡,師軍.  計算機技術(shù)與發(fā)展. 2016(12)
[7]基于序列圖像三維重建的稻種品種識別[J]. 錢燕,尹文慶,林相澤,丁永前,馮學斌.  農(nóng)業(yè)工程學報. 2014(07)
[8]基于時間序列環(huán)境衛(wèi)星影像的作物分類識別[J]. 李鑫川,徐新剛,王紀華,武洪峰,金秀良,李存軍,鮑艷松.  農(nóng)業(yè)工程學報. 2013(02)
[9]東北地區(qū)主要作物種植結(jié)構(gòu)遙感提取及長勢監(jiān)測[J]. 黃青,唐華俊,周清波,吳文斌,王利民,張莉.  農(nóng)業(yè)工程學報. 2010(09)
[10]基于圖像分析的大米形狀識別[J]. 張聰,管庶安.  糧食與飼料工業(yè). 2006(06)

碩士論文
[1]基于CNN的金絲猴面部識別研究與實現(xiàn)[D]. 方楠.西安電子科技大學 2017
[2]基于深度學習的人臉識別算法研究[D]. 王飛.蘭州交通大學 2017
[3]基于深度學習的植物圖像集識別技術(shù)研究[D]. 劉孟南.華僑大學 2017
[4]基于深度學習的文物圖像內(nèi)容理解[D]. 何瀟然.北京化工大學 2016
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的多標簽場景分類[D]. 陳智.山東大學 2015



本文編號：3223661