在植物學(xué)研究和農(nóng)業(yè)生產(chǎn)中,植物幼苗識(shí)別分類和農(nóng)作物信息監(jiān)測(cè)采集是最為基礎(chǔ)和重要的植物學(xué)研究和應(yīng)用工作之一。傳統(tǒng)人工采集的植物分類學(xué)普遍要求個(gè)人手動(dòng)采集整理樣本來(lái)獲取數(shù)據(jù)和特征抓取,在數(shù)據(jù)缺乏客觀性的同時(shí),不僅處理過(guò)程復(fù)雜,而且處理效果差,還有諸多局限性。近年來(lái)機(jī)器學(xué)習(xí)、模式識(shí)別和數(shù)字圖像處理等人工智能學(xué)科的高速發(fā)展,在許多場(chǎng)景下人類已經(jīng)高效精確的解決一些實(shí)際農(nóng)業(yè)生產(chǎn)中的問(wèn)題。機(jī)器學(xué)習(xí)中的視覺(jué)算法一般以結(jié)構(gòu)復(fù)雜,計(jì)算量大,硬件需求高為基礎(chǔ),訓(xùn)練實(shí)現(xiàn)了可靠的計(jì)算模型,滿足了諸多應(yīng)用場(chǎng)景下的各種實(shí)際需求。在植物幼苗圖像識(shí)別研究匱乏和機(jī)器學(xué)習(xí)高速發(fā)展的背景下,本文擬提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的植物幼苗圖像識(shí)別方法,充分發(fā)揮卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)來(lái)提升識(shí)別模型可靠性,以VGG模型為基礎(chǔ)探索適用于解決本問(wèn)題的模型結(jié)構(gòu)。同時(shí)提出了一種基于VGG模型的植物幼苗識(shí)別方法,通過(guò)對(duì)比傳統(tǒng)模型,分析實(shí)驗(yàn)結(jié)果得出了傳統(tǒng)模型在植物幼苗圖像識(shí)別能力上的的不足,探索網(wǎng)絡(luò)結(jié)構(gòu)以及參數(shù)訓(xùn)練上的改良方式,并對(duì)改良點(diǎn)加以實(shí)驗(yàn)對(duì)比,論證其對(duì)植物幼苗圖像識(shí)別的影響。再以VGG為基礎(chǔ)嘗試對(duì)模型進(jìn)行改良,設(shè)計(jì)改良網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提升網(wǎng)絡(luò)性能得到... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

主要研究流程

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-9-第2章圖像識(shí)別相關(guān)理論技術(shù)2.1圖像處理技術(shù)2.1.1圖像處理流程圖像的分類識(shí)別主要經(jīng)過(guò)圖像獲娶圖像處理和圖像識(shí)別三個(gè)主要過(guò)程，其中圖像獲取是整個(gè)流程的第一步，作為機(jī)器學(xué)習(xí)訓(xùn)練的依據(jù)，圖像數(shù)據(jù)集的質(zhì)量直接關(guān)系到機(jī)器學(xué)習(xí)模型的性能，圖像處理過(guò)程中的預(yù)處理如濾波、均值化等方式則決定算法能力發(fā)揮的程度，而圖像識(shí)別是研究的重點(diǎn)內(nèi)容，目的是得到對(duì)目標(biāo)最為敏感有效的算法模型結(jié)構(gòu)。圖2-1圖像識(shí)別流程2.1.2圖像增強(qiáng)理論在植物圖像識(shí)別問(wèn)題中，圖像增強(qiáng)的作用是借助算法處理原始RGB圖像使其比原始圖像更加匹配機(jī)器學(xué)習(xí)模型，圖像增強(qiáng)的方式有很多種，效果要由實(shí)驗(yàn)的準(zhǔn)確率來(lái)體現(xiàn)，最后比較選擇針對(duì)每種模型最有的方法。圖像灰度變換是最常見(jiàn)的圖像增強(qiáng)方式，變換的公式主要有線性(y=kx)、對(duì)

哈爾濱工業(yè)大學(xué)工程碩士學(xué)位論文-10數(shù)(y=logx)、冪次(y=x^k)、閾值、對(duì)比度拉伸等形式，其中輸出像素值可與輸出像素值變換形成其他形式。作物和雜草在圖像中的灰度比值對(duì)識(shí)別率有著重要的影響。呂俊偉等在2005年也通過(guò)實(shí)驗(yàn)論證了灰度變換對(duì)植物圖像處理的幫助[19]。通過(guò)融合多光譜圖像的方式提升灰度比值，結(jié)果顯示可以有效識(shí)別農(nóng)作物和土壤在圖像中灰度比值的占比�！�=255+255255(21)對(duì)拉伸區(qū)域采用最大值最小值化拉伸，公式如上。圖2-2對(duì)比度拉伸函數(shù)模型圖像濾波是一種鄰域處理的增強(qiáng)方式，通過(guò)修正鄰域的圖像像值以及相應(yīng)的與鄰域有相同維數(shù)的子圖像的值，就構(gòu)成了濾波器。濾波器的工作方式就是在圖像中逐點(diǎn)地移動(dòng)選取鄰域進(jìn)行修正，通過(guò)濾波算法來(lái)計(jì)算修正。均值濾波器是最常見(jiàn)的濾波方式，可以有效地去除圖像中的無(wú)關(guān)細(xì)節(jié)，對(duì)卷積神經(jīng)網(wǎng)絡(luò)這種關(guān)注局部的機(jī)器學(xué)習(xí)模型尤其有效。濾波器的輸出是包含在濾波器規(guī)定鄰域內(nèi)像素的算數(shù)平均值。通過(guò)像素的平均灰度值代替圖像每個(gè)像素點(diǎn)原有值，這種處理減小了圖像灰度的變化，一定程度上起到了降噪的作用。但是需要注意，由于圖像邊緣特征是依賴銳化才能得到的特性，而葉片的邊緣特性又被認(rèn)為是植物圖像識(shí)別中最關(guān)鍵的特征，所以均值濾波處理對(duì)高像素葉片圖像處理中反而起到了負(fù)面作用。拉普拉斯濾波是與均值濾波相對(duì)的一種濾波方式，其中拉普拉斯是用于微分的算子，拉普拉斯算子是n維歐幾里得空間中的一個(gè)二階微分算子，定義為梯度（▽f）的散度（▽·f）。因此如果f是二階可微的實(shí)函數(shù)，則f的拉普拉斯算子定義為：=2=(22)


本文編號(hào)：3376553