發(fā)布時(shí)間：2023-01-08 14:31

　　農(nóng)作物病蟲害的出現(xiàn)在外觀上會(huì)有直接的體現(xiàn),病斑區(qū)域與非病斑區(qū)域的形狀、顏色和質(zhì)地都會(huì)有很大的改變。不論是借助檢測工具還是人工識(shí)別,都會(huì)存在很多漏判和誤判的情況,而且耗時(shí)長,費(fèi)用高,達(dá)不到精準(zhǔn)農(nóng)業(yè)的快速判斷標(biāo)準(zhǔn)。目前,國內(nèi)外作物病蟲害自動(dòng)檢測技術(shù)大多數(shù)還是基于數(shù)字圖像處理和光譜分析成像技術(shù)。隨著人工智能技術(shù)的發(fā)展,計(jì)算機(jī)視覺和圖像處理技術(shù)被廣泛應(yīng)用于植物病害識(shí)別領(lǐng)域,利用圖像處理和深度學(xué)習(xí)方法,能夠更快更準(zhǔn)確的識(shí)別植物病害種類。本文采用深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)植物病斑的深層特征,訓(xùn)練得到深度卷積神經(jīng)網(wǎng)絡(luò)模型,可實(shí)現(xiàn)對(duì)復(fù)雜背景下9種作物葉片的20種病斑進(jìn)行預(yù)處理和識(shí)別,主要研究內(nèi)容如下:（1）通過加入各向異性擴(kuò)散濾波算子構(gòu)造新的邊緣檢測函數(shù),對(duì)傳統(tǒng)GAC模型進(jìn)行改進(jìn),建立了AD-GAC模型;根據(jù)葉片部分和病斑部分的像素值的差異,采用AD-GAC模型和最大熵閾值法,將作物葉片病斑從復(fù)雜背景中分割出來。（2）通過采用旋轉(zhuǎn)、翻轉(zhuǎn)、縮放、平移等操作對(duì)樣本進(jìn)行擴(kuò)充,有效解決樣本數(shù)量不足的問題;然后,將原始數(shù)據(jù)作為輸入,經(jīng)過AD-GAC模型得到病斑圖像,并根據(jù)主干網(wǎng)絡(luò)resize病斑圖像的大小;最后,利用遷移... 

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 論文研究背景和意義
    1.2 農(nóng)作物病害圖像識(shí)別的國內(nèi)外研究現(xiàn)狀
        1.2.1 農(nóng)作物病害圖像識(shí)別的國外研究現(xiàn)狀
        1.2.2 農(nóng)作物病害識(shí)別國內(nèi)研究現(xiàn)狀
    1.3 主要研究內(nèi)容和論文結(jié)構(gòu)
        1.3.1 主要研究內(nèi)容
        1.3.2 論文結(jié)構(gòu)
第二章 傳統(tǒng)彩色圖像預(yù)處理和分割
    2.1 彩色圖像預(yù)處理
        2.1.1 中值濾波法
        2.1.2 小波濾波
    2.2 彩色圖像分割方法
        2.2.1 基于閾值的分割方法
        2.2.2 活動(dòng)輪廓模型
        2.2.3 基于區(qū)域的分割方法
        2.2.4 病斑分割對(duì)識(shí)別任務(wù)的意義
    2.3 本章小結(jié)
第三章 復(fù)雜背景下基于AD-GAC和最大熵閾值法的葉片病斑分割
    3.1 各向異性擴(kuò)散處理
    3.2 水平集方法原理
        3.2.1 曲線的水平集表示和演化
        3.2.2 泛函和變分法
        3.2.3 梯度下降流
    3.3 AD-GAC模型的提出
    3.4 背景移除
    3.5 最大熵閾值法
    3.6 實(shí)驗(yàn)和討論
    3.7 本章小結(jié)
第四章 基于AD-GAC CNN的葉片病斑分類
    4.1 深度學(xué)習(xí)發(fā)展歷史
    4.2 深卷積神經(jīng)網(wǎng)絡(luò)(CNN)的特點(diǎn)
    4.3 卷積神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
        4.3.1 卷積層
        4.3.2 下采樣層
        4.3.3 全連接層
        4.3.4 激活函數(shù)
    4.4 卷積神經(jīng)網(wǎng)絡(luò)中的重要算法
        4.4.1 隨機(jī)梯度下降算法
        4.4.2 反向傳播算法
    4.5 幾種常見的CNN網(wǎng)絡(luò)結(jié)構(gòu)
        4.5.1 AlexNet
        4.5.2 VGGNet
        4.5.3 GoogleNet
    4.6 AD-GAC CNN網(wǎng)絡(luò)結(jié)構(gòu)
        4.6.1 stage1：AD-GAC模型
        4.6.2 stage2：基于聯(lián)合監(jiān)督的遷移學(xué)習(xí)
    4.7 數(shù)據(jù)增強(qiáng)
    4.8 實(shí)驗(yàn)分析
        4.8.1 實(shí)驗(yàn)方法
        4.8.2 實(shí)驗(yàn)結(jié)果分析
    4.9 本章小結(jié)
第五章 作物葉片病斑識(shí)別軟件系統(tǒng)
    5.1 系統(tǒng)開發(fā)環(huán)境
        5.1.1 系統(tǒng)開發(fā)硬件環(huán)境
        5.1.2 系統(tǒng)開發(fā)軟件系統(tǒng)
    5.2 系統(tǒng)功能模塊
    5.3 系統(tǒng)軟件的功能測試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 工作展望
參考文獻(xiàn)
發(fā)表論文和科研情況說明
致謝


【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)EMD閾值小波濾波方法[J]. 李其建,徐海波.  機(jī)械科學(xué)與技術(shù). 2017(08)
[2]卷積神經(jīng)網(wǎng)絡(luò)概述[J]. 侯宇昆.  中國新通信. 2017(09)
[3]改進(jìn)的自適應(yīng)中值濾波算法及其應(yīng)用[J]. 劉鵬宇,哈睿,賈克斌.  北京工業(yè)大學(xué)學(xué)報(bào). 2017(04)
[4]小波變換在醫(yī)學(xué)圖像處理中的應(yīng)用[J]. 尚珍,聶澤花.  計(jì)算機(jī)時(shí)代. 2016(08)
[5]基于BIRCH聚類加速的彩色圖像增強(qiáng)算法[J]. 齊興斌,趙麗,李雪梅.  計(jì)算機(jī)測量與控制. 2016(04)
[6]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)
[7]基于支持向量機(jī)與多特征選擇的農(nóng)作物彩色病斑邊緣檢測[J]. 濮永仙.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2014(09)
[8]基于局部判別映射算法的玉米病害識(shí)別方法[J]. 張善文,張傳雷.  農(nóng)業(yè)工程學(xué)報(bào). 2014(11)
[9]小麥葉部常見病害特征提取及識(shí)別技術(shù)研究[J]. 王美麗,牛曉靜,張宏鳴,趙建邦,何東健.  計(jì)算機(jī)工程與應(yīng)用. 2014(07)
[10]小波與雙邊濾波的醫(yī)學(xué)超聲圖像去噪[J]. 張聚,王陳,程蕓.  中國圖象圖形學(xué)報(bào). 2014(01)

博士論文
[1]變分水平集理論及其在醫(yī)學(xué)圖像分割中的應(yīng)用[D]. 謝強(qiáng)軍.浙江大學(xué) 2009
[2]基于圖像識(shí)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]基于深度學(xué)習(xí)的目標(biāo)檢測與分割算法研究[D]. 王若辰.北京工業(yè)大學(xué) 2016
[2]基于圖像處理的黃瓜葉部病害識(shí)別研究[D]. 李旺.湖南農(nóng)業(yè)大學(xué) 2013
[3]基于圖像處理的溫室大棚中番茄的病害識(shí)別[D]. 柴洋.沈陽工業(yè)大學(xué) 2013
[4]基于圖像處理和模式識(shí)別技術(shù)的黃瓜病害識(shí)別研究[D]. 彭占武.吉林農(nóng)業(yè)大學(xué) 2007



本文編號(hào)：3728646