隨著農(nóng)業(yè)現(xiàn)代化的推進(jìn)和信息技術(shù)的飛速發(fā)展,國(guó)家適時(shí)地提出了農(nóng)業(yè)信息化這個(gè)目標(biāo),其目的是把農(nóng)業(yè)領(lǐng)域相關(guān)數(shù)據(jù)利用計(jì)算機(jī)相關(guān)技術(shù)進(jìn)行集中分析,提高效率,降低成本。在農(nóng)業(yè)信息化過(guò)程中,機(jī)器學(xué)習(xí)技術(shù)被廣泛使用。應(yīng)用范圍主要為農(nóng)產(chǎn)品產(chǎn)量、價(jià)格預(yù)測(cè)、農(nóng)業(yè)信息推薦和本文研究的作物病害識(shí)別等領(lǐng)域。利用計(jì)算機(jī)識(shí)別作物病害能夠降低主觀(guān)性,得到具有參考價(jià)值的判別結(jié)果,并輔助專(zhuān)家進(jìn)行病害種類(lèi)辨別。本文以苧麻褐斑病識(shí)別為切入點(diǎn),分析了主流機(jī)器學(xué)習(xí)方法在病害圖像識(shí)別方面的性能。并做了如下工作:（1）利用設(shè)置容差取極大值區(qū)域的方法,對(duì)病葉圖像進(jìn)行特征區(qū)域提取。（2）以卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行病斑灰度圖像像素特征學(xué)習(xí),并把學(xué)習(xí)到的特征利用支持向量機(jī)進(jìn)行分類(lèi)判別。（3）利用多特征多模型組合投票方式進(jìn)行分類(lèi)判別,提高系統(tǒng)判別精度,降低判別誤差。經(jīng)過(guò)一系列研究及測(cè)試,考慮到病斑分割時(shí)的查全率,最終對(duì)苧麻葉片褐斑病識(shí)別準(zhǔn)確率大致能夠穩(wěn)定在90%左右,對(duì)分割出的病斑識(shí)別率達(dá)到96%以上。經(jīng)過(guò)測(cè)試,利用設(shè)置容差取極大值區(qū)域的方法提取苧麻葉片褐斑病病斑,結(jié)果優(yōu)于以往的閾值分割方法。特別對(duì)于葉片泛黃區(qū)域內(nèi)的病斑有較好的提取效果。同時(shí)研究也證實(shí)... 

【文章來(lái)源】：湖南農(nóng)業(yè)大學(xué)湖南省

【文章頁(yè)數(shù)】：81 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

技術(shù)路線(xiàn)

湖南農(nóng)業(yè)大學(xué)全日制專(zhuān)業(yè)碩士學(xué)位論文第2章 材料及方法集地點(diǎn)概況究通過(guò)苧麻葉片分析及識(shí)別褐斑病，因此必須要采集大量研究所使用的苧麻葉片的采集主要集中在湖南農(nóng)業(yè)大學(xué)耘地的苧麻品種多樣（近 200 種）。該基地位于長(zhǎng)沙地區(qū)（″E），屬亞熱帶季風(fēng)濕潤(rùn)氣候，氣候溫和，降水充沛，雨氣溫為 16.8℃~17.3℃，年平均降雨量為 1358.6～1552.5 毫

(c) (d)圖 2-2 拍攝的苧麻葉樣本Fig. 2-2 Picked ramie leaves2.4 數(shù)據(jù)集信息本文研究過(guò)程中一共拍攝 56 張照片，通過(guò)預(yù)處理提取的疑似區(qū)域個(gè)數(shù)為 599 個(gè)，正樣本（提取區(qū)域?yàn)椴“撸?274 個(gè)，負(fù)樣本（提取區(qū)域?yàn)榉遣“撸?325 個(gè)。并以80%的比例隨機(jī)分割訓(xùn)練集和測(cè)試集進(jìn)行試驗(yàn)：訓(xùn)練樣本約為 479 個(gè)，測(cè)試樣本約為120 個(gè)。


本文編號(hào)：3137445