隨著人們對(duì)農(nóng)產(chǎn)品品質(zhì)的要求越來越高,為了使種植出的產(chǎn)品滿足人們的需求,先進(jìn)科技手段在農(nóng)業(yè)中的應(yīng)用已越來越重要。深度學(xué)習(xí)在圖像識(shí)別問題中已得到廣泛應(yīng)用。傳統(tǒng)的圖像識(shí)別方法和深度學(xué)習(xí)的不同之處在于,深度學(xué)習(xí)無需對(duì)圖像做復(fù)雜的預(yù)處理,圖像的特征是網(wǎng)絡(luò)通過學(xué)習(xí)歸納得到,無需人工設(shè)計(jì)特征。卷積神經(jīng)網(wǎng)絡(luò)模型是在圖像識(shí)別方面應(yīng)用最為廣泛的一種深度學(xué)習(xí)模型。針對(duì)植物圖像識(shí)別,利用計(jì)算機(jī)技術(shù)對(duì)植物的葉片進(jìn)行處理。植物缺少不同的營(yíng)養(yǎng)元素,會(huì)導(dǎo)致不同癥狀的出現(xiàn),如變色、變形、生長(zhǎng)受阻等,這些癥狀會(huì)使作物的產(chǎn)量和品質(zhì)均有下降。用計(jì)算機(jī)視覺技術(shù)在植物生長(zhǎng)過程中對(duì)缺素信息進(jìn)行實(shí)時(shí)監(jiān)測(cè),可及時(shí)掌握作物的生長(zhǎng)狀態(tài)。本文基于深度神經(jīng)網(wǎng)絡(luò)對(duì)植物葉片缺素問題進(jìn)行研究,對(duì)網(wǎng)絡(luò)節(jié)點(diǎn)和層數(shù)進(jìn)行設(shè)計(jì),給出植物缺素檢測(cè)算法,實(shí)現(xiàn)植物葉片缺素檢測(cè)信息系統(tǒng),該系統(tǒng)實(shí)現(xiàn)對(duì)黃瓜葉片缺素信息的檢測(cè),在移動(dòng)應(yīng)用程序框架基礎(chǔ)上,應(yīng)用深度神經(jīng)網(wǎng)絡(luò)算法對(duì)植物葉片進(jìn)行檢測(cè)。本文的具體工作如下:1、對(duì)黃瓜葉片數(shù)據(jù)集進(jìn)行圖像預(yù)處理,包括增強(qiáng)圖片對(duì)比度、翻轉(zhuǎn)旋轉(zhuǎn)圖片、部分置黑;2、對(duì)VGGNet、ResNet、GoogLeNet、MobileNet和Alex... 

【文章來源】：寧夏大學(xué)寧夏回族自治區(qū) 211工程院校

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

一l植物缺素表

可對(duì)函數(shù)進(jìn)行估計(jì)和近似。??一般的神經(jīng)網(wǎng)絡(luò)由多層構(gòu)成，每一層又包含多個(gè)神經(jīng)元。神經(jīng)網(wǎng)絡(luò)的第一層為輸入層，中間??層為隱含層，最后的輸出結(jié)果為輸出層，如圖３－１所示。神經(jīng)網(wǎng)絡(luò)中隱藏層和輸出層節(jié)點(diǎn)的輸入??和輸出之間存在著某種函數(shù)關(guān)系，這種函數(shù)關(guān)系是激勵(lì)函數(shù)（ａｃｔｉｖａｔｉｏｎ?ｆｉｍｃｔｉｏｎ）。兩個(gè)節(jié)點(diǎn)之間??的連接的強(qiáng)度叫做權(quán)重（ｗｅｉｇｈｔ），權(quán)重決定著輸入對(duì)輸出的影響力。網(wǎng)絡(luò)的激勵(lì)函數(shù)和權(quán)重不同，??該網(wǎng)絡(luò)的輸出也不同。??ｉｎｐｕｔ?ｌａｙｅｒ??ｈｉｄｄｅｎ?ｌａｙｅｒ?１?ｈｉｄｄｅｎ?ｌａｙｅｒ?２??圖３－１神經(jīng)網(wǎng)絡(luò)??對(duì)于某個(gè)神經(jīng)元來說，假設(shè)來自其他神經(jīng)元／的信息為ｘ，，它們與本處理單元的互相作用強(qiáng)??度即連接權(quán)值為咐，／＝０，?１，…，ｎ－１，?０是內(nèi)部閾值［４２］。??ｘ２?——＊｛ｙｗｘ?ｆ?ｊ?？?°??圖３－２神經(jīng)元模型??－９－??

礴他化舒作

【參考文獻(xiàn)】：
期刊論文
[1]卷積神經(jīng)網(wǎng)絡(luò)CNN算法在文本分類上的應(yīng)用研究[J]. 侯小培,高迎.  科技與創(chuàng)新. 2019(04)
[2]結(jié)合全卷積神經(jīng)網(wǎng)絡(luò)的室內(nèi)場(chǎng)景分割[J]. 黃龍,楊媛,王慶軍,郭飛,高勇.  中國(guó)圖象圖形學(xué)報(bào). 2019(01)
[3]目標(biāo)檢測(cè)算法R-CNN在現(xiàn)實(shí)場(chǎng)景數(shù)字檢測(cè)任務(wù)中的應(yīng)用[J]. 胡靖逸,郭雪亮,李會(huì)軍,朱美強(qiáng).  電子技術(shù)與軟件工程. 2018(24)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)[J]. 馬浚誠(chéng),杜克明,鄭飛翔,張領(lǐng)先,孫忠富.  農(nóng)業(yè)工程學(xué)報(bào). 2018(12)
[5]Android拍照識(shí)物APP的設(shè)計(jì)與實(shí)現(xiàn)[J]. 胡新健,丁峰,劉魯南,陳義明.  電腦知識(shí)與技術(shù). 2018(09)
[6]基于Faster R-CNN的食品圖像檢索和分類[J]. 梅舒歡,閔巍慶,劉林虎,段華,蔣樹強(qiáng).  南京信息工程大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[7]基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 孫俊,譚文軍,毛罕平,武小紅,陳勇,汪龍.  農(nóng)業(yè)工程學(xué)報(bào). 2017(19)
[8]計(jì)算機(jī)視覺系統(tǒng)下缺素番茄葉片彩色圖像研究[J]. 田秀麗,黃亞麗.  農(nóng)機(jī)化研究. 2017(07)
[9]基于人工神經(jīng)網(wǎng)絡(luò)的滬鋅期貨價(jià)格預(yù)測(cè)研究[J]. 林杰,龔正.  財(cái)經(jīng)理論與實(shí)踐. 2017(02)
[10]基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡(luò)的茶園害蟲定位與識(shí)別[J]. 楊國(guó)國(guó),鮑一丹,劉子毅.  農(nóng)業(yè)工程學(xué)報(bào). 2017(06)

碩士論文
[1]基于超聲圖像的甲狀腺疾病智能診斷[D]. 張雅奎.哈爾濱工業(yè)大學(xué) 2018
[2]基于腦機(jī)接口的心理狀態(tài)判斷模型研究[D]. 劉重陽.西安工程大學(xué) 2018
[3]基于WebGIS的地球物探數(shù)據(jù)網(wǎng)絡(luò)在線交互式可視化研究[D]. 張政.中國(guó)礦業(yè)大學(xué) 2018
[4]基于群智感知的PM2.5監(jiān)測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 米廣樹.北京郵電大學(xué) 2018
[5]基于分布式的葡萄酒信息分析系統(tǒng)的研究及實(shí)現(xiàn)[D]. 梁發(fā)剛.寧夏大學(xué) 2018
[6]溫棚環(huán)境及植物生長(zhǎng)信息管理分析系統(tǒng)研究與實(shí)現(xiàn)[D]. 李詩(shī)禹.寧夏大學(xué) 2018
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究[D]. 宋月.東北石油大學(xué) 2017
[8]早期玉米苗與雜草的自動(dòng)辨識(shí)算法研究[D]. 夏雨.哈爾濱工業(yè)大學(xué) 2017
[9]基于數(shù)字圖像技術(shù)的苗期番茄鈣營(yíng)養(yǎng)水平診斷研究[D]. 滕景祥.南京農(nóng)業(yè)大學(xué) 2016
[10]GPU加速的FastDFS主動(dòng)存儲(chǔ)的研究與實(shí)現(xiàn)[D]. 劉文杰.湖南大學(xué) 2016



本文編號(hào)：2928881