發(fā)布時(shí)間：2021-06-29 00:21

　　利用計(jì)算機(jī)視覺技術(shù)快速、準(zhǔn)確的識(shí)別農(nóng)作物病害,是保證農(nóng)產(chǎn)品豐收,推進(jìn)農(nóng)業(yè)現(xiàn)代化的重要手段。本文以油菜、黃瓜、水稻、玉米、大豆等常見農(nóng)作物的病害圖像作為研究對(duì)象,分別在小樣本和大樣本不同條件下對(duì)農(nóng)作物病害的識(shí)別進(jìn)行了相關(guān)研究,主要的工作如下:（1）在病斑分割上,本文根據(jù)農(nóng)作物葉部呈現(xiàn)的顏色特點(diǎn),在傳統(tǒng)閾值分割的基礎(chǔ)上,首先利用HSI顏色空間過(guò)濾葉片正常區(qū)域的信息,在Lab顏色空間下使用最大類間方差法（OTSU）設(shè)置閾值對(duì)原始圖像進(jìn)行分割,然后將兩種不同顏色空間下得到的分割圖像進(jìn)行相與合并,得出最終的病斑分割圖像。與其它幾種常用方法分割的效果圖相比,該方法能更好地將病斑從葉片分割出來(lái),是一種有效的病斑分割方法。（2）在小樣本農(nóng)作物的病害識(shí)別上,本文以油菜為研究對(duì)象,首先提取其顏色特征和紋理特征,然后通過(guò)歐氏距離來(lái)構(gòu)建D-S證據(jù)理論所必需的基本概率分配（Basic Probability Assignment,BPA）,最后運(yùn)用D-S證據(jù)組合規(guī)則進(jìn)行決策級(jí)融合,依據(jù)決策條件輸出最終分類識(shí)別結(jié)果。針對(duì)分類過(guò)程中出現(xiàn)識(shí)別結(jié)果為不確定的問(wèn)題,本文通過(guò)引入方差來(lái)對(duì)融合方法進(jìn)行改進(jìn),避免了這一問(wèn)題的產(chǎn)... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

小樣本下病害識(shí)別研究路線

圖 1.2 大樣本下病害識(shí)別研究路線Fig 1.2 Research route under big-sample condition1.4 本文主要研究?jī)?nèi)容和章節(jié)安排本文所使用的圖像數(shù)據(jù)是在露天、自然光照環(huán)境下從安徽省農(nóng)科院試驗(yàn)田采集所得，主要包括油菜、水稻、大豆、玉米等農(nóng)作物的葉部病害圖像。每種農(nóng)作物的病害種類以及圖像數(shù)量都不盡相同。本文既研究了小樣本條件下的病害識(shí)別方法，又探究了大樣本條件下的分類方法。小樣本模式以油菜為研究對(duì)象，構(gòu)建病害識(shí)別系統(tǒng)，對(duì)三種常見的油菜病害圖像進(jìn)行分類，主要研究了如何更準(zhǔn)確的分割病斑、選擇合適特征和更有效的分類方法。大樣本模式通過(guò)使用卷積神經(jīng)網(wǎng)絡(luò)搭建病害分類模型，分別對(duì)玉米、大豆、水稻三種農(nóng)作物進(jìn)行病害分類識(shí)別，重點(diǎn)研究如何構(gòu)造合適的神經(jīng)網(wǎng)絡(luò)模型以及選用最佳的激活函數(shù)。本文結(jié)構(gòu)安排如下：第一章，緒論。主要闡述了農(nóng)作物病害研究的背景意義和對(duì)推進(jìn)我國(guó)農(nóng)業(yè)現(xiàn)代化的重要作用，總結(jié)了國(guó)內(nèi)外專家對(duì)于農(nóng)病害識(shí)別領(lǐng)域的研究現(xiàn)狀，包括小樣

圖像的采集的圖片均是在安徽省農(nóng)科院試驗(yàn)田，通過(guò)尼康數(shù)碼相水稻、玉米、黃瓜、大豆五種常見的農(nóng)作物，且發(fā)病，拍攝所得圖片保存格式為 jpg，為方便后續(xù)計(jì)算，圖片一大小。其中油菜病害包括黑斑病、細(xì)菌性黑斑病、豆灰星病、白粉病、霉霜病三種，水稻病害包括稻曲葉病，玉米病害分為紋枯病、銹病、圓斑病、紅葉病。攝的部分農(nóng)作物葉部病害圖像。麻斑病 (b)黃瓜靶斑病 (c)油菜霉霜病

【參考文獻(xiàn)】：
期刊論文
[1]深度連續(xù)卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建與性能分析[J]. 牛連強(qiáng),陳向震,張勝男,王琪輝.  沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào). 2016(06)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的道路車輛檢測(cè)方法[J]. 李琳輝,倫智梅,連靜,袁魯山,周雅夫,麻笑藝.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2017(02)
[3]一種用于人臉表情識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)[J]. 盧官明,何嘉利,閆靜杰,李海波.  南京郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2016(01)
[4]面向圖像分類的多層感知機(jī)BBO優(yōu)化方法[J]. 朱黎輝,李曉寧.  四川師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[5]基于多分類器融合的玉米葉部病害識(shí)別[J]. 許良鳳,徐小兵,胡敏,王儒敬,謝成軍,陳紅波.  農(nóng)業(yè)工程學(xué)報(bào). 2015(14)
[6]基于主成分分析和Softmax回歸模型的人臉識(shí)別方法[J]. 汪海波,陳雁翔,李艷秋.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(06)
[7]基于火焰彩色紋理復(fù)雜度特征的轉(zhuǎn)爐煉鋼吹煉狀態(tài)識(shí)別[J]. 李鵬舉,劉輝,王彬,王龍.  計(jì)算機(jī)應(yīng)用. 2015(01)
[8]HSI模型結(jié)合OSTU法的玉米種胚檢測(cè)算法[J]. 程洪,尹輝娟,馬麗,李亞南.  農(nóng)機(jī)化研究. 2014(10)
[9]基于顏色及紋理特征的果蔬種類識(shí)別方法[J]. 陶華偉,趙力,奚吉,虞玲,王彤.  農(nóng)業(yè)工程學(xué)報(bào). 2014(16)
[10]基于葉片圖像和環(huán)境信息的黃瓜病害識(shí)別方法[J]. 王獻(xiàn)鋒,張善文,王震,張強(qiáng).  農(nóng)業(yè)工程學(xué)報(bào). 2014(14)

博士論文
[1]基于圖像識(shí)別的作物病蟲草害診斷研究[D]. 王克如.中國(guó)農(nóng)業(yè)科學(xué)院 2005

碩士論文
[1]基于深度學(xué)習(xí)的手寫數(shù)字集特征提取算法[D]. 任沙.湖南師范大學(xué) 2016
[2]基于Caffe深度學(xué)習(xí)框架的卷積神經(jīng)網(wǎng)絡(luò)研究[D]. 楊楠.河北師范大學(xué) 2016
[3]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類中的應(yīng)用研究[D]. 吳正文.電子科技大學(xué) 2015
[4]改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)模型及其應(yīng)用研究[D]. 何鵬程.大連理工大學(xué) 2015
[5]基于遺傳算法的圖像分割技術(shù)研究[D]. 宋凱.西安電子科技大學(xué) 2014
[6]玉米病害圖像識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 蘇恒強(qiáng).吉林大學(xué) 2010
[7]基于圖像分析的蘋果病害識(shí)別技術(shù)研究[D]. 李宗儒.西北農(nóng)林科技大學(xué) 2010



本文編號(hào)：3255330