卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)是一種應用較為廣泛的深度學習模型,它憑借自身的卷積濾波和池化操作等特性,可以有效降低網(wǎng)絡復雜度,不僅能夠賦予模型對平移、扭曲、縮放等操作一定程度的不變性,并表現(xiàn)出較強的魯棒性和容錯能力。另外,卷積神經(jīng)網(wǎng)絡能夠同時進行特征提取和模式識別,從而避免了復雜的顯式特征提取過程,因此更易于網(wǎng)絡的訓練和優(yōu)化。近年來,CNN在農(nóng)業(yè)病害圖像識別等領域中發(fā)揮著重要的作用。目標檢測算法是通過獲取目標圖像的幾何和統(tǒng)計特征進行的類似于圖像分割的過程,主要分為目標分類與目標定位。目標分類的任務是獲取圖像中包含的目標類別標簽;目標定位的任務是獲取感興趣區(qū)域在圖像中的坐標值。近年來,特別是在較復雜的場景中,能夠?qū)崿F(xiàn)實時的多個目標自動識別和定位是非常重要的。YOLO(You Only Look Once)算法利用卷積神經(jīng)網(wǎng)絡將特征提取網(wǎng)絡、位置框預測和類別預測統(tǒng)一到一個框架中,實現(xiàn)了端到端的訓練,能夠自動的學習任務,實現(xiàn)多層非線性變換,獲取圖像的高層抽象描述。本文為實現(xiàn)茶葉嫩芽檢測和葉部病害圖像識別,展開了目標檢測算法和卷積神經(jīng)網(wǎng)絡模型的相關研究工作,主要研究內(nèi)容如下:(1)提出了一種基于YOLOv3的茶葉嫩芽檢測算法(Darknet_tea算法)。將其首次應用到復雜背景下的茶葉嫩芽圖像的檢測中,并從多尺度檢測方面對YOLO v3網(wǎng)絡架構(gòu)進行了改進。原始的YOLOv3算法在在三個不同的特征響應圖進行檢測框和目標類別的回歸,單個網(wǎng)格則預測了9個不同尺寸的目標框,從而造成模型計算量較大�？紤]到實地拍攝的茶葉嫩芽區(qū)域占據(jù)圖像中的位置較大,茶葉嫩芽和老葉存在形狀和顏色差異,因此,在提取圖像的超綠特征以及使用OSTU算法進行圖像分割的基礎上,本文提出的Darknet_tea算法只在13×13和26×26兩個尺度上進行預測回歸,不僅提高了茶葉嫩芽檢測的準確率,而且減少了網(wǎng)絡的計算量。(2)提出了基于深度卷積對抗生成網(wǎng)絡(Deep Convolution Generative Adversarial Networks,DCGAN)的茶葉葉部病害圖像生成。在實驗數(shù)據(jù)的采集過程中,由于每種病害的發(fā)生程度和時間不同,導致拍攝的部分病害的數(shù)量較少,因此為擴充茶葉葉部病害圖像數(shù)據(jù)集和均衡每種病害種類的數(shù)量,使用了DCGNN進行數(shù)據(jù)增強,為茶葉葉部病害圖像的識別打下了基礎。(3)提出了基于卷積神經(jīng)網(wǎng)絡的茶葉葉部病害圖像識別。為防止過擬合的出現(xiàn),加入了Dropout、局部對比度歸一化(Local Contrast Normalization,LRN);為增加網(wǎng)絡的稀疏性和消除梯度彌散,在模型中使用線性整流函數(shù)(Rectified Linear Unit,ReLU)作為激活函數(shù),加快了網(wǎng)絡的收斂,完善了網(wǎng)絡的結(jié)構(gòu)。
【學位單位】：山東農(nóng)業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：S435.711;S571.1;TP391.41;TP18
【部分圖文】：

而能夠修改代價函數(shù)。新的代價函數(shù)如公式（2.23）所示。 ( ) 21 1 1 011( ) 1 log2T wjT wjxm k k niijkxi j i jieJ y jme （2.2重縮減項的引入使得代價函數(shù)變成了凸函數(shù)，而凸函數(shù)具有唯一解，進而能絡的收斂，得到最優(yōu)值。然而為利用優(yōu)化算法求解，需要對公式（2.23）進行形式如公式（2.24）所示。 ( ) ( ) ( ) ( )11( ) (1 ( | ; ))jmi i i ijiJ x y j p y j xm （2.2可得到 Softmax 分類器。訓練方法NN 學習過程如圖 16 所示。

因此主要介紹 YOLOv3 目標檢測算法在復雜背景下茶葉嫩芽的應用。良好的樣本集是茶葉嫩芽檢測研究的基礎，良好的目標檢測算法有助于提高目標檢測精度。本章從茶葉嫩芽數(shù)據(jù)集的構(gòu)建和預處理、網(wǎng)絡架構(gòu)的設計與改進以及實驗結(jié)果的分析總結(jié)等方面進行介紹，為后續(xù)的茶葉嫩芽采摘機器人的研究打下基礎。3.1 數(shù)據(jù)集構(gòu)建3.1.1 茶葉嫩芽圖像獲取在山東省泰安市的泰頂青和茶溪谷等茶園開展自然環(huán)境下茶葉嫩芽圖像的采集，所用的拍攝工具為數(shù)碼相機，其型號是 IXUS 285 HS，圖像拍攝的角度與距離隨機。自然環(huán)境下拍攝的茶葉嫩芽圖像中，嫩芽以外的區(qū)域稱為背景，背景主要包括老葉和枝干等，其中嫩芽呈黃綠色，老葉呈藍綠色或者深綠色，樣本圖像樣例如圖 17 所示。為了增加實驗的可信度，本次實驗所用的茶葉嫩芽圖像包含的目標區(qū)域有差異，包括 1 個或多個目標框。

圖 18 茶葉嫩芽圖像目標位置標注Fig.18 Target position labeling of tea bud image由圖像標注工具標注而生成的標簽文件如圖 19 所示。標簽<folder>記錄了圖像的文件夾，標簽<filename>記錄了圖像的名稱，標簽<path>記錄了圖像的存儲路徑。標size>記錄了圖像的整體信息，包括圖像的長、寬和通道數(shù)量。每個<object>標簽負責該圖形中一個目標茶葉嫩牙的位置及類別信息，子標簽<name>記錄了目標茶葉嫩類別信息，子標簽<bndbox>記錄了目標茶葉嫩芽的位置信息，其子標簽負責記錄目圍框的左下角坐標和右上角坐標。
【參考文獻】

相關期刊論文 前10條

1 吳華成;;茶葉褐色葉斑病的綜合防治技術[J];農(nóng)業(yè)與技術;2015年16期

2 VanBang L E;朱煜;趙江坤;陳寧;;基于深度圖像HOG特征的實時手勢識別方法[J];華東理工大學學報(自然科學版);2015年05期

3 吳雪梅;唐仙;張富貴;顧金梅;;基于K-means聚類法的茶葉嫩芽識別研究[J];中國農(nóng)機化學報;2015年05期

4 韓余;肖宏儒;秦廣明;宋志禹;丁文芹;梅松;;國內(nèi)外采茶機械發(fā)展狀況研究[J];中國農(nóng)機化學報;2014年02期

5 鄭繼剛;張靜梅;唐智英;;數(shù)據(jù)挖掘技術在茶葉病蟲害預警中的研究與應用[J];湖北農(nóng)業(yè)科學;2013年24期

6 吳雪梅;張富貴;呂敬堂;;基于圖像顏色信息的茶葉嫩葉識別方法研究[J];茶葉科學;2013年06期

7 張小琴;趙池航;沙月進;黨倩;張運勝;;基于HOG特征及支持向量機的車輛品牌識別方法[J];東南大學學報(自然科學版);2013年S2期

8 葉茂枝;張世良;蔡良綏;;基于徑向基函數(shù)網(wǎng)絡與WebGIS的茶葉病害預測[J];三明學院學報;2012年04期

9 唐智英;王祖鳳;;關聯(lián)規(guī)則挖掘技術在茶葉病蟲害中的研究與應用[J];計算機光盤軟件與應用;2012年15期

10 汪建;;結(jié)合顏色和區(qū)域生長的茶葉圖像分割算法研究[J];茶葉科學;2011年01期

本文編號：2867093