隨著農(nóng)業(yè)信息智能化的高速發(fā)展,傳統(tǒng)的靠天吃飯模式演變成為由智能設(shè)備監(jiān)控生產(chǎn)過(guò)程并進(jìn)行自動(dòng)調(diào)控的新型農(nóng)業(yè)模式。如何對(duì)這些智能設(shè)備采集的數(shù)據(jù)特別是其中的圖像數(shù)據(jù)進(jìn)行處理,從中提取出其中的有用信息,并與實(shí)際的生產(chǎn)調(diào)控措施相結(jié)合,從而推動(dòng)農(nóng)業(yè)生產(chǎn)的高效、快速運(yùn)作,具有重要意義。本研究將圖像處理和機(jī)器學(xué)習(xí)應(yīng)用于水稻的病害自動(dòng)識(shí)別和葉齡自動(dòng)檢測(cè)中,這一方法相比于傳統(tǒng)的人工識(shí)別和診斷方法更高效、準(zhǔn)確。主要內(nèi)容包括:首先,介紹了機(jī)器學(xué)習(xí)算法和圖像處理的基本理論,為后續(xù)的病害識(shí)別算法研究和葉齡診斷算法研究提供了相應(yīng)的理論指導(dǎo)和技術(shù)方案。接著,在對(duì)水稻病害進(jìn)行識(shí)別的算法研究中,采用了機(jī)器學(xué)習(xí)方法進(jìn)行水稻病害識(shí)別。本文主要研究三種水稻常見(jiàn)病害,即稻瘟病、白葉枯病和細(xì)菌性條斑病。具體內(nèi)容包括:首先,對(duì)水稻病害圖像進(jìn)行預(yù)處理,然后分割出水稻病斑,建立對(duì)應(yīng)的水稻病害圖像集。然后,針對(duì)不同病斑的病理外在表現(xiàn),提取多個(gè)方面的特征,再采用主成分分析法對(duì)提取的特征進(jìn)行了優(yōu)化。之后,分別采用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立模型,對(duì)優(yōu)化后的特征進(jìn)行分類測(cè)試,選擇了其中識(shí)別準(zhǔn)確率更高的BP神經(jīng)網(wǎng)絡(luò)作為最終的分類模型。最后,對(duì)BP分... 

【文章頁(yè)數(shù)】：71 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題來(lái)源、背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 利用機(jī)器學(xué)習(xí)算法識(shí)別作物病害國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 葉齡檢測(cè)技術(shù)國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容及論文結(jié)構(gòu)安排
第2章 機(jī)器學(xué)習(xí)和圖像處理基本理論
    2.1 機(jī)器學(xué)習(xí)算法
        2.1.1 BP神經(jīng)網(wǎng)絡(luò)
        2.1.2 支持向量機(jī)
        2.1.3 K-Means聚類
    2.2 數(shù)字圖像預(yù)處理
        2.2.1 顏色空間
        2.2.2 圖像灰度化
        2.2.3 圖像去噪
        2.2.4 圖像直方圖均衡化
        2.2.5 圖像分割
        2.2.6 圖像數(shù)學(xué)形態(tài)學(xué)處理
    2.3 本章小結(jié)
第3章 基于機(jī)器學(xué)習(xí)的水稻病害識(shí)別算法研究
    3.1 水稻病害
        3.1.1 水稻病害樣本采集和病害介紹
        3.1.2 水稻圖像預(yù)處理與病斑提取
        3.1.3 建立水稻病害圖像集
    3.2 特征提取
        3.2.1 顏色特征
        3.2.2 形狀特征
        3.2.3 紋理特征
    3.3 特征優(yōu)化
    3.4 水稻病害識(shí)別分類器設(shè)計(jì)
        3.4.1 BP神經(jīng)網(wǎng)絡(luò)
        3.4.2 支持向量機(jī)
    3.5 模型選擇與改進(jìn)
        3.5.1 遺傳算法介紹
        3.5.2 改進(jìn)的GA-BP算法
        3.5.3 仿真結(jié)果分析
    3.6 本章小結(jié)
第4章 基于圖像處理的水稻葉齡診斷算法研究
    4.1 葉脈提取算法研究
        4.1.1 傳統(tǒng)的葉脈提取算法
        4.1.2 葉脈提取的改進(jìn)算法
    4.2 葉齡診斷
    4.3 寒地水稻智慧調(diào)控技術(shù)研究
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]一種基于模糊C均值聚類的多閾值蘋果病害圖像分割方法[J]. 賈慶節(jié),齊國(guó)紅,忽曉偉.  智能計(jì)算機(jī)與應(yīng)用. 2019(02)
[2]論水稻生育葉齡診斷技術(shù)[J]. 張衛(wèi)國(guó).  農(nóng)民致富之友. 2017(02)
[3]基于機(jī)器視覺(jué)的半干棗病害和裂紋識(shí)別研究[J]. 李運(yùn)志,Qiang Zhang,陳弘毅,黨曉輝,李新崗,胡耀華.  農(nóng)機(jī)化研究. 2016(08)
[4]高光譜技術(shù)診斷馬鈴薯葉片晚疫病的研究[J]. 胡耀華,平學(xué)文,徐明珠,單衛(wèi)星,何勇.  光譜學(xué)與光譜分析. 2016(02)
[5]基于Lab空間和K-Means聚類的葉片分割算法研究[J]. 鄒秋霞,楊林楠,彭琳,鄭強(qiáng).  農(nóng)機(jī)化研究. 2015(09)
[6]復(fù)雜背景下小麥葉部病害圖像分割方法研究[J]. 張武,黃帥,汪京京,劉連忠.  計(jì)算機(jī)工程與科學(xué). 2015(07)
[7]淺談水稻葉齡診斷技術(shù)應(yīng)用[J]. 李明杰,王德斌.  農(nóng)民致富之友. 2014(21)
[8]水稻葉齡診斷栽培新技術(shù)[J]. 孫廣峰.  農(nóng)民致富之友. 2013(23)
[9]GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J]. 劉春艷,凌建春,寇林元,仇麗霞,武俊青.  中國(guó)衛(wèi)生統(tǒng)計(jì). 2013(02)
[10]高斯核支持向量機(jī)分類和模型參數(shù)選擇研究[J]. 鄭小霞,錢鋒.  計(jì)算機(jī)工程與應(yīng)用. 2006(01)

博士論文
[1]基于圖像的農(nóng)作物病害識(shí)別關(guān)鍵算法研究[D]. 宋麗娟.西北大學(xué) 2018
[2]高通量作物表型檢測(cè)關(guān)鍵技術(shù)研究與應(yīng)用[D]. 李偉.中國(guó)科學(xué)技術(shù)大學(xué) 2017
[3]基于機(jī)器學(xué)習(xí)的作物病害圖像處理及病變識(shí)別方法研究[D]. 譚文學(xué).北京工業(yè)大學(xué) 2016

碩士論文
[1]基于圖像處理的水稻葉部病害快速識(shí)別方法研究[D]. 關(guān)瑩.東北農(nóng)業(yè)大學(xué) 2018
[2]基于機(jī)器學(xué)習(xí)的水稻病害識(shí)別算法的研究[D]. 劉成.安徽大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的小麥葉部病害圖像識(shí)別研究[D]. 林中琦.山東農(nóng)業(yè)大學(xué) 2018
[4]圍油欄監(jiān)控與水域溢油預(yù)警系統(tǒng)研究[D]. 王質(zhì)春.揚(yáng)州大學(xué) 2016
[5]基于圖像處理的草莓病害識(shí)別方法研究[D]. 牛沖.太原理工大學(xué) 2016
[6]基于灰度形態(tài)學(xué)重建的圖像分割[D]. 羅秋棠.湘潭大學(xué) 2016
[7]基于高光譜成像技術(shù)的杏成熟度判別研究[D]. 張晶晶.山西農(nóng)業(yè)大學(xué) 2015
[8]高清視頻監(jiān)控中低照度圖像的去噪及增強(qiáng)方法研究[D]. 毛葉輝.復(fù)旦大學(xué) 2013
[9]基于圖像的水稻病害識(shí)別方法的研究[D]. 管澤鑫.浙江理工大學(xué) 2010



本文編號(hào)：3689802