【摘要】：在中國,玉米的種植面積廣、總產(chǎn)量高,對于國民經(jīng)濟而言它是一種重要的糧食作物和飼料作物。但是,由于耕作栽培制度的改變、病原菌品種的變異、植物保健措施的不健全等原因造成玉米葉片病害危害程度逐年加重,種類也逐年增多。此問題一直制約著玉米產(chǎn)量的提高,并且給農(nóng)民帶來了極大的經(jīng)濟損失。因此,對玉米病害的識別問題越來越成為人們關(guān)注的焦點。傳統(tǒng)的識別方式采用肉眼觀察法,較多依靠農(nóng)技人員的個人經(jīng)驗。這種方法對病害判斷起來速度稍慢、識別精確度較低,在很大程度上依賴于人的主觀判斷,并且也不能滿足實時性的需求;有的方法先對圖像進行預(yù)處理,再利用支持向量機(Support Vector Machine,SVM)、概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network,PNN)等機器學(xué)習(xí)方法完成病害的分類。此類方法先對圖像進行預(yù)處理,處理過程復(fù)雜,耗時較長且識別精確度有提升空間。所以,及時準(zhǔn)確的對玉米葉片的病害進行診斷不僅能夠降低不必要的財政開支和資源消耗,而且還能夠在多變的環(huán)境下獲得較可觀的玉米產(chǎn)量。本文基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)算法,實現(xiàn)玉米葉片病害的識別研究。主要包含以下工作:(1)研究深度卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的改變對于玉米葉片病害識別精確度的影響,如:改變不同的池化組合方式、添加ReLU函數(shù)以及dropout操作(探究不同dropout閾值對模型性能的影響情況)、選擇合適的分類器對結(jié)果進行分類等,討論對于Cifar10和GoogLeNet模型的改進,改進后GoogLeNet模型的top-1平均識別準(zhǔn)確率達到98.9%,Cifar10模型的平均準(zhǔn)確度達到98.8%,改進后的模型較改進前具有更好的識別精確度和更低的模型損失。(2)研究當(dāng)數(shù)據(jù)集中圖像數(shù)量一定時,利用超參數(shù)調(diào)整技巧調(diào)整超參數(shù)后,模型性能變化情況,調(diào)整的超參數(shù)包括:“Train batch_size”、“Test batch_size”、“l(fā)r_policy”、“base_lr”和“weight_decay”。此研究基于CNN模型:AlexNet、GoogLeNet和ResNet18。利用以上三種結(jié)構(gòu)訓(xùn)練和測試玉米葉片圖像數(shù)據(jù)集時,在模型超參數(shù)調(diào)整后,測試精確度平均分別提高6.075%、6.05%和6.4%;泛化測試準(zhǔn)確度平均分別提高12.85%、7.025%和11.95%。(3)研究利用數(shù)據(jù)增強技術(shù)對原始1129張訓(xùn)練圖像數(shù)據(jù)進行2倍(2258張)、4倍(4516張)和8倍(9032張)不同比例擴大,固定測試圖像數(shù)量為400張,探究用于訓(xùn)練的圖像數(shù)量對不同模型性能的影響。對于AlexNet、GoogLeNet、ResNet18模型,隨著圖像數(shù)量的增大,平均測試識別精確度分別從82.6%提升至93%、56.3%提升至91.8%、85.6%提升至92%,網(wǎng)絡(luò)的過擬合現(xiàn)象逐漸消失且模型性能更加穩(wěn)定。(4)研究在圖像數(shù)量不變和變化時,不同的網(wǎng)絡(luò)結(jié)構(gòu)(網(wǎng)絡(luò)復(fù)雜程度、網(wǎng)絡(luò)深度、網(wǎng)絡(luò)包含參數(shù)個數(shù)等)作用于不同數(shù)據(jù)集時,模型的性能。實驗結(jié)果表明,不同深度與復(fù)雜度的CNN模型作用于不同的數(shù)據(jù)集時,模型性能好壞與模型結(jié)構(gòu)之間相關(guān)性較弱。
【圖文】：

(a) 階躍函數(shù) (b) sigmoid 函數(shù)(a) step function (b) sigmoid function圖 2-2 激活函數(shù)Figure 2-2 Activation function 感知機與多層網(wǎng)絡(luò) 2-3 表示一個簡單的感知機，它由兩層簡單的神經(jīng)元組成。在感知機中，，外界層來接收，簡單處理后再傳遞給由 M-P 神經(jīng)元構(gòu)成的輸出層。在圖 2-3 中，ixi 表示權(quán)重，y 表示輸出。yw1 w2輸入層輸出層

東北農(nóng)業(yè)大學(xué)工學(xué)碩士學(xué)位論文知機對訓(xùn)練樣本( x, y )預(yù)測，當(dāng)結(jié)果預(yù)測正確時，即 y = y，感知機不會發(fā)生變化，當(dāng)誤時，權(quán)重將根據(jù)錯誤程度進行自動調(diào)整。在實際研究中，為了克服感知機的學(xué)習(xí)能力的局限性，研究人員提出了一個新的概超平面”。在實際運用中，線性超平面會劃分線性可分與線性不可分兩種模式。由于、非都是線性可分的問題，皆存在一個線性超平面如圖 2-4 (a)  (c)所示。
【學(xué)位授予單位】：東北農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TP183;S435.131

【相似文獻】

相關(guān)期刊論文 前10條

1 肖伯祥;吳升;郭新宇;;基于物理約束的玉米葉片建模方法[J];應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報;2018年05期

2 郭春明;李大勇;姚渝麗;任景全;李建平;崔金虎;耿艷秋;;不同生長狀況下玉米葉片的光合特征研究[J];黑龍江農(nóng)業(yè)科學(xué);2016年10期

3 趙明家;張忠慶;李志洪;;基于高光譜優(yōu)化NDVI值反演玉米葉片氮含量[J];中國農(nóng)業(yè)大學(xué)學(xué)報;2014年06期

4 陳國慶;劉偉;張吉旺;劉鵬;董樹亭;王洪梅;;基于懸臂梁的超級玉米葉片伸展特征模擬[J];農(nóng)業(yè)工程學(xué)報;2010年06期

5 趙樹仁;姚南瑜;;玉米葉片生長規(guī)律的觀察[J];植物生理學(xué)通訊;1987年06期

6 荊家海,肖慶德;玉米葉片生長部位滲透調(diào)節(jié)和生長的生物物理參數(shù)變化[J];植物生理學(xué)報;1988年04期

7 A.M.O.Elwali;曹園國;;玉米葉片中十一種養(yǎng)分的診斷施肥指標(biāo)[J];耕作與栽培;1988年03期

8 文宗群,苑華,陳慶惠;Sc704玉米葉片生長、根系發(fā)育及穗分化觀察[J];新疆農(nóng)業(yè)科學(xué);1989年02期

9 毛節(jié)

本文編號：2631101