實(shí)現(xiàn)香蕉園的信息化管理是提高香蕉生產(chǎn)效率的關(guān)鍵手段之一。香蕉園的信息化管理主要包括香蕉養(yǎng)分、病蟲害、株數(shù)等生長信息的自動化采集,水、肥、藥等生產(chǎn)資料的自動化作業(yè),以及果園環(huán)境的自動化監(jiān)測等方面。彩色數(shù)字（RGB）圖像隨著成像傳感器在智能手機(jī)、無人機(jī)上的大量普及,已成為最容易獲取的高通量數(shù)據(jù)之一。本文以RGB圖像為原始信息的獲取手段,通過深度學(xué)習(xí)方法研究香蕉常見病害及果園生長早期的株數(shù)的檢測方法,設(shè)計(jì)了一套香蕉病害遠(yuǎn)程診斷系統(tǒng)和一種香蕉株數(shù)檢測算法。主要的研究內(nèi)容包括:1.構(gòu)建香蕉病害診斷模型。共收集了5944張圖像,包括7種香蕉作物常見病害以及健康植株。數(shù)據(jù)集被隨機(jī)分為訓(xùn)練集,驗(yàn)證集和測試集。利用遷移學(xué)習(xí)的方法對深度卷積神經(jīng)網(wǎng)絡(luò)模型Goog Le Net進(jìn)行訓(xùn)練,通過改變模型的參數(shù)以及訓(xùn)練次數(shù),得到最終的診斷模型,平均測試準(zhǔn)確率達(dá)到98%,具有良好的應(yīng)用前景。2.遠(yuǎn)程診斷系統(tǒng)的設(shè)計(jì)。進(jìn)一步開發(fā)了以手機(jī)移動應(yīng)用程序（APP）為終端,以診斷模型與中間件通信模塊為服務(wù)端的遠(yuǎn)程診斷系統(tǒng)。基于Android Studio設(shè)計(jì)了簡易的手機(jī)APP,該APP能夠就地獲取香蕉圖像并進(jìn)行預(yù)處理,通過網(wǎng)絡(luò)將... 

【文章來源】：廣西大學(xué)廣西壯族自治區(qū) 211工程院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

常見香蕉病蟲害Fig.1-1Commonbananadiseasesandinsectpests

廣西大學(xué)碩士（工程碩士）學(xué)位論文基于深度學(xué)習(xí)的香蕉病害診斷系統(tǒng)及株數(shù)統(tǒng)計(jì)算法的實(shí)現(xiàn)12圖2-3CNN結(jié)構(gòu)圖Fig.2-3CNNstructurediagram輸入層。可以處理多個維度的數(shù)據(jù)，例如網(wǎng)絡(luò)的輸入是彩色圖像，則為三維數(shù)據(jù)：R通道，G通道，B通道。可以對網(wǎng)絡(luò)的輸入進(jìn)行歸一化、降維等預(yù)處理操作。卷積層。卷積層是CNN的重要組成部分，由一組過濾器（又稱為卷積核）組成。輸入的原始圖像通過卷積核和輸入像素之間的點(diǎn)積與每個卷積核進(jìn)行卷積。以彩色圖像為例卷積原理如圖2-4所示。輸入圖像中的每個像素代表一個神經(jīng)元，卷積層中的每個神經(jīng)元都與其局部神經(jīng)元局部連接。權(quán)重大小的設(shè)置用于控制自由參數(shù)的數(shù)量，并顯著降低CNN的復(fù)雜性和訓(xùn)練計(jì)算量。卷積操作是為了提取圖像的特征，低層的卷積提取一些邊緣、線條、角等特征，高層的卷積從低層的卷積中學(xué)到復(fù)雜的深度特征，從而實(shí)現(xiàn)圖片的分類和識別。圖2-4卷積原理圖Fig.2-4Convolutionprinciplediagram通常卷積層后面會跟著激活函數(shù)，激活函數(shù)用于對卷積層的輸出結(jié)果進(jìn)行非線性映射，為了能對非線性情況進(jìn)行分類。常用的激活函數(shù)有ReLu，Sigmoid和雙曲正切函數(shù)，其中ReLu廣泛用于深度學(xué)習(xí)中。

廣西大學(xué)碩士（工程碩士）學(xué)位論文基于深度學(xué)習(xí)的香蕉病害診斷系統(tǒng)及株數(shù)統(tǒng)計(jì)算法的實(shí)現(xiàn)12圖2-3CNN結(jié)構(gòu)圖Fig.2-3CNNstructurediagram輸入層�？梢蕴幚矶鄠�維度的數(shù)據(jù)，例如網(wǎng)絡(luò)的輸入是彩色圖像，則為三維數(shù)據(jù)：R通道，G通道，B通道。可以對網(wǎng)絡(luò)的輸入進(jìn)行歸一化、降維等預(yù)處理操作。卷積層。卷積層是CNN的重要組成部分，由一組過濾器（又稱為卷積核）組成。輸入的原始圖像通過卷積核和輸入像素之間的點(diǎn)積與每個卷積核進(jìn)行卷積。以彩色圖像為例卷積原理如圖2-4所示。輸入圖像中的每個像素代表一個神經(jīng)元，卷積層中的每個神經(jīng)元都與其局部神經(jīng)元局部連接。權(quán)重大小的設(shè)置用于控制自由參數(shù)的數(shù)量，并顯著降低CNN的復(fù)雜性和訓(xùn)練計(jì)算量。卷積操作是為了提取圖像的特征，低層的卷積提取一些邊緣、線條、角等特征，高層的卷積從低層的卷積中學(xué)到復(fù)雜的深度特征，從而實(shí)現(xiàn)圖片的分類和識別。圖2-4卷積原理圖Fig.2-4Convolutionprinciplediagram通常卷積層后面會跟著激活函數(shù)，激活函數(shù)用于對卷積層的輸出結(jié)果進(jìn)行非線性映射，為了能對非線性情況進(jìn)行分類。常用的激活函數(shù)有ReLu，Sigmoid和雙曲正切函數(shù)，其中ReLu廣泛用于深度學(xué)習(xí)中。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識別方法[J]. 吳華瑞.  智慧農(nóng)業(yè). 2019(04)
[2]基于輕量級CNN的植物病害識別方法及移動端應(yīng)用[J]. 劉洋,馮全,王書志.  農(nóng)業(yè)工程學(xué)報(bào). 2019(17)
[3]基于深度學(xué)習(xí)的農(nóng)作物病蟲害圖像識別技術(shù)研究進(jìn)展[J]. 賈少鵬,高紅菊,杭瀟.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(S1)
[4]基于遷移學(xué)習(xí)與卷積神經(jīng)網(wǎng)絡(luò)的玉米植株病害識別[J]. 陳桂芬,趙姍,曹麗英,傅思維,周佳鑫.  智慧農(nóng)業(yè). 2019(02)
[5]Using Deep Learning for Soybean Pest and Disease Classification in Farmland[J]. Si Meng-min,Deng Ming-hui,Han Ye.  Journal of Northeast Agricultural University（English Edition）. 2019(01)
[6]基于改進(jìn)Faster R-CNN的空中目標(biāo)檢測[J]. 馮小雨,梅衛(wèi),胡大帥.  光學(xué)學(xué)報(bào). 2018(06)
[7]基于隨機(jī)森林方法的小麥葉片病害識別研究[J]. 夏永泉,王兵,支俊,黃海鵬,孫靜茹.  圖學(xué)學(xué)報(bào). 2018(01)
[8]基于顏色特征和差直方圖的蘋果葉部病害識別方法[J]. 張?jiān)讫?袁浩,張晴晴,齊國紅.  江蘇農(nóng)業(yè)科學(xué). 2017(14)
[9]基于Android的自然背景下黃瓜霜霉病定量診斷系統(tǒng)[J]. 葉海建,郎睿.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2017(03)
[10]基于Android的水稻害蟲診斷系統(tǒng)[J]. 張谷豐,羅崗,孫雪梅,易紅娟.  應(yīng)用昆蟲學(xué)報(bào). 2015(04)

博士論文
[1]基于數(shù)字圖像的蝴蝶種類自動識別研究[D]. 李凡.北京林業(yè)大學(xué) 2015
[2]基于圖像識別的作物病蟲草害診斷研究[D]. 王克如.中國農(nóng)業(yè)科學(xué)院 2005

碩士論文
[1]低空圖像檢測甘蔗冠層覆蓋度及株心數(shù)量[D]. 王麗佳.廣西大學(xué) 2019
[2]基于深度學(xué)習(xí)的葡萄葉片病害識別方法研究[D]. 劉媛.甘肅農(nóng)業(yè)大學(xué) 2018
[3]基于Android的水稻病蟲害圖像識別與診斷系統(tǒng)的研究[D]. 張永玲.浙江理工大學(xué) 2018
[4]玉米病斑圖像預(yù)處理系統(tǒng)[D]. 閆超.黑龍江八一農(nóng)墾大學(xué) 2015
[5]基于Android移動終端的煙草病蟲害圖像智能識別系統(tǒng)研究[D]. 吳子龍.云南農(nóng)業(yè)大學(xué) 2015
[6]基于數(shù)字圖像處理的棉花害蟲識別體系研究[D]. 楊文翰.四川農(nóng)業(yè)大學(xué) 2015
[7]基于Android的圖像識別客戶端系統(tǒng)研究[D]. 羅其朝.海南大學(xué) 2014
[8]基于Android的水稻害蟲圖像采集與識別系統(tǒng)研究[D]. 姜慧.浙江理工大學(xué) 2013
[9]玉米葉部病斑圖像智能處理算法的研究與實(shí)現(xiàn)[D]. 李嬌嬌.北京郵電大學(xué) 2010
[10]山杏常見葉部病蟲害圖像識別技術(shù)研究[D]. 王維楓.中國林業(yè)科學(xué)研究院 2008



本文編號：3499087