目前,我國(guó)的經(jīng)濟(jì)發(fā)展一直呈現(xiàn)出穩(wěn)定的增長(zhǎng)態(tài)勢(shì)。其中,農(nóng)業(yè)的發(fā)展對(duì)于國(guó)家的經(jīng)濟(jì)意義重大。然而,我國(guó)每年因?yàn)檗r(nóng)業(yè)病蟲害的影響而帶來(lái)的損失難以估量。因此,盡早發(fā)現(xiàn)和識(shí)別診斷病蟲害是非常重要的,這樣可以最大程度上減少因病蟲害帶來(lái)的經(jīng)濟(jì)損失。當(dāng)下診斷病蟲害的診斷主要采取人工識(shí)別的方式,有些經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)的農(nóng)民遇到病害時(shí),由于自身缺乏相關(guān)知識(shí),甚至?xí)フ?qǐng)市里的農(nóng)業(yè)專家到田里進(jìn)行診斷。這樣不僅非常不方便,而且也很容易延誤診斷時(shí)機(jī),錯(cuò)過(guò)治療病蟲害的黃金節(jié)點(diǎn)。本研究基于Android手機(jī)開發(fā)出了一個(gè)典型作物葉病害智能診斷系統(tǒng),用戶可以使用該系統(tǒng)識(shí)別幾種典型作物的常見葉病害,測(cè)試表明葉片病害的識(shí)別準(zhǔn)確率達(dá)到了90%以上。通過(guò)這種方式,極大地節(jié)約了農(nóng)民診斷作物病害所需要的時(shí)間和成本,也可以早一步采取措施對(duì)病害進(jìn)行治療,避免更大的損失。主要研究?jī)?nèi)容和成果如下:（1）搜集水稻、小麥、玉米、棉花、大豆五種典型農(nóng)作物的病害圖片制作數(shù)據(jù)集。每種作物均選取5類最常見的葉病害,圖片主要從Plantvillage數(shù)據(jù)庫(kù)中下載,結(jié)合中國(guó)農(nóng)業(yè)病蟲網(wǎng)等互聯(lián)網(wǎng)上的病害圖片進(jìn)行補(bǔ)充。（2）接著對(duì)搜集好的圖片做預(yù)處理工作。因?yàn)閳D片在大... 

【文章來(lái)源】：浙江理工大學(xué)浙江省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

(a)-(f)裁剪后作物葉病害圖像

（a）原圖 （b）中值濾波后的圖片圖 2.3 棉花褐斑病中值濾波示意圖數(shù)據(jù)歸一化了降低計(jì)算量，提升網(wǎng)絡(luò)識(shí)別性能，需要對(duì)作物葉病害圖片作歸一化處理，這網(wǎng)絡(luò)訓(xùn)練過(guò)程中不可缺少的環(huán)節(jié)。常見的數(shù)據(jù)歸一化方法有 3 種：簡(jiǎn)單縮放、和逐個(gè)樣本平均消減法[42]。名思義，簡(jiǎn)單縮放是指通過(guò)對(duì)病害圖片每一個(gè)像素值不同程度的調(diào)整，處理后出向量在一個(gè)區(qū)間范圍內(nèi)，例如[0,1]。這種方法的優(yōu)點(diǎn)是避免了不同維度數(shù)據(jù)的影響，假設(shè)對(duì)一幅圖像作縮放處理，它原本的像素值在[0,255]，將原來(lái)的像55 就能夠縮放到[0,1]區(qū)間。通常情況下，區(qū)間[λ1,λ2]的像素值需滿足以下公式minmax min1 2 1( )( )i iii iz zxz z 2-（2）

診斷系統(tǒng)開發(fā)13（a）原圖 （b）中值濾波后的圖片圖 2.3 棉花褐斑病中值濾波示意圖2.4.3 數(shù)據(jù)歸一化為了降低計(jì)算量，提升網(wǎng)絡(luò)識(shí)別性能，需要對(duì)作物葉病害圖片作歸一化處理，這是卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中不可缺少的環(huán)節(jié)。常見的數(shù)據(jù)歸一化方法有 3 種：簡(jiǎn)單縮放、特征標(biāo)準(zhǔn)化和逐個(gè)樣本平均消減法[42]。顧名思義，簡(jiǎn)單縮放是指通過(guò)對(duì)病害圖片每一個(gè)像素值不同程度的調(diào)整，處理后的圖片的輸出向量在一個(gè)區(qū)間范圍內(nèi)，例如[0,1]。這種方法的優(yōu)點(diǎn)是避免了不同維度數(shù)據(jù)對(duì)最終結(jié)果的影響，假設(shè)對(duì)一幅圖像作縮放處理，它原本的像素值在[0,255]，將原來(lái)的像素值除以 255 就能夠縮放到[0,1]區(qū)間。通常情況下，區(qū)間[λ1,λ2]的像素值需滿足以下公式：minmax min1 2 1( )( )i iii iz zxz z 2-（2）其中，iz 是任意的一個(gè)像素值，maxiz 和miniz 分別為圖片中像素的最大值和最小值。如果數(shù)據(jù)維度差異較小

【參考文獻(xiàn)】：
期刊論文
[1]TensorFlow Lite開發(fā)平臺(tái)的研究與分析[J]. 高陸川.  電子測(cè)試. 2018(20)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 龍滿生,歐陽(yáng)春娟,劉歡,付青.  農(nóng)業(yè)工程學(xué)報(bào). 2018(18)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的草莓葉部白粉病病害識(shí)別[J]. 楊晉丹,楊濤,苗騰,朱超,沈秋采,彭宇飛,梅珀彰,黨雨晴.  江蘇農(nóng)業(yè)學(xué)報(bào). 2018(03)
[4]基于改進(jìn)的Fisher準(zhǔn)則玉米種子果穗檢測(cè)方法[J]. 康智強(qiáng),袁朝輝,程瑞鋒.  西北工業(yè)大學(xué)學(xué)報(bào). 2018(02)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害檢測(cè)方法[J]. 劉闐宇,馮全,楊森.  東北農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(03)
[6]一種基于卷積神經(jīng)網(wǎng)絡(luò)的小麥病害識(shí)別方法[J]. 張航,程清,武英潔,王亞新,張承明,殷復(fù)偉.  山東農(nóng)業(yè)科學(xué). 2018(03)
[7]卷積神經(jīng)網(wǎng)絡(luò)池化方法研究[J]. 周林勇,謝曉堯,劉志杰,任筆墨.  計(jì)算機(jī)工程. 2019(04)
[8]基于Caffe的嵌入式多核處理器深度學(xué)習(xí)框架并行實(shí)現(xiàn)[J]. 高榕,張良,梅魁志.  西安交通大學(xué)學(xué)報(bào). 2018(06)
[9]卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識(shí)別中的應(yīng)用[J]. 張善文,謝澤奇,張晴晴.  江蘇農(nóng)業(yè)學(xué)報(bào). 2018(01)
[10]轉(zhuǎn)型期農(nóng)業(yè)發(fā)展對(duì)經(jīng)濟(jì)增長(zhǎng)的影響[J]. 湯春強(qiáng),鄧思紅.  農(nóng)村經(jīng)濟(jì)與科技. 2018(04)

碩士論文
[1]基于深度學(xué)習(xí)和遷移學(xué)習(xí)的多任務(wù)圖像分類[D]. 賀智超.華南理工大學(xué) 2017



本文編號(hào)：3451445