平菇是我國六大主要食用菌品種之一,其年消耗量和出口量均非�？捎^。在食用菌工廠化生產(chǎn)的大前提下,平菇的自動化栽培和管理也得到了很好的實現(xiàn)。由于平菇自身具有形狀不規(guī)則、子實體細嫩、容易破損的物理特性,導致其自動收獲技術(shù)始終難以實現(xiàn)。為了防止平菇的自動收獲設(shè)備在執(zhí)行采摘命令時對平菇子實體造成破壞,影響經(jīng)濟效益,就需要對平菇進行精準識別的研究。論文首先對采集到的圖像進行篩選整理,剔除不達標圖像后對剩余圖像中目標分布相對集中的區(qū)域進行截取和縮放處理,使其大小統(tǒng)一為400*400,以600個處理后的圖像作為正樣本數(shù)據(jù)集,再截取400個經(jīng)過同樣方法處理的具有代表性的背景區(qū)域圖像,統(tǒng)一縮放處理后作為負樣本,與正樣本一起作為神經(jīng)網(wǎng)絡(luò)識別所需的數(shù)據(jù)集。隨機各抽取百分之八十的樣本為訓練集,其余百分之二十為測試集。另外還對采集到的圖像進行灰度化、背景分割和圖像濾波處理,用以提取這些圖像中平菇的特征參數(shù),作為驗證識別的準備工作。論文的核心工作是利用卷積神經(jīng)網(wǎng)絡(luò)對采集到的平菇圖像進行識別。通過對經(jīng)典LeNet-5網(wǎng)絡(luò)模型加以改進,得到適合平菇識別的改進模型。對模型中卷積層數(shù)、各層的卷積核數(shù)量、大小以及采樣單元的尺... 

【文章來源】：吉林農(nóng)業(yè)大學吉林省

【文章頁數(shù)】：48 頁

【學位級別】：碩士

【部分圖文】：

平菇圖像

最終試驗所需的數(shù)據(jù)集由兩個樣本集合組成，分別為正樣本（600 個）和負樣本（400 個），如圖2.2 所示�？梢钥闯鰧嶋H截取后的樣本數(shù)量大大多于采集到的圖片數(shù)量，這是由于同一張圖像中可能會有多簇互不重疊的平菇，背景部分的截取則具有更強的靈活性。從正、負樣本中隨機抽取 80%構(gòu)建一個訓練集，剩下的 20%樣本作為測試集。正、負樣本的數(shù)據(jù)集將用于神經(jīng)網(wǎng)絡(luò)識別模型的訓練和測試，同時也是網(wǎng)絡(luò)參數(shù)優(yōu)化的數(shù)據(jù)來源。（1）正樣本（2）負樣本圖 2.2 正、負樣本示例Fig 2.2 Positive and negative examples2.3 平菇圖像的預處理選取 50 幅符合條件的平菇圖像作為驗證試驗的準備材料，將其轉(zhuǎn)換為 BMP格式并調(diào)整分辨率為 800*600 像素，以圖 2.1 為例，對這些圖像進行預處理。2.3.1 灰度化圖像處理的首要步驟對彩色圖像進行灰度處理。選用合適的灰度化處理方法可以有效地突出圖像中的目標部分，弱化其他與目標無關(guān)的部分，進而獲悉研究目標最本質(zhì)的特征。而灰度化處理的實質(zhì)是利

菇和菌包顏色非常接近，兩者的灰度分原始圖像進行轉(zhuǎn)換都無法完整的突出排除干擾法對采集到的蘑菇圖像進行所有像素點排列成一個 800*600 的矩本身的顏色接近灰白色，其顏色特征短處理時間，優(yōu)化系統(tǒng)時效性，選取單行研究即可滿足試驗要求。經(jīng)分析可，從圖像左側(cè)邊緣一直延伸到了右側(cè)中 X 軸代表行數(shù)，Y 軸代表灰度疊加范圍，就可以有效排除掉菌包部分的

【參考文獻】：
期刊論文
[1]基于改進Otsu算法的生菜葉片圖像分割方法[J]. 孫俊,宋佳,武小紅,李玉婷.  江蘇大學學報(自然科學版). 2018(02)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的田間多簇獼猴桃圖像識別方法[J]. 傅隆生,馮亞利,Elkamil Tola,劉智豪,李瑞,崔永杰.  農(nóng)業(yè)工程學報. 2018(02)
[3]中國食用菌工廠化栽培待克服的技術(shù)難點[J]. 木村榮一,王建兵.  食藥用菌. 2018(01)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的小樣本圖像識別方法[J]. 段萌,王功鵬,牛常勇.  計算機工程與設(shè)計. 2018(01)
[5]基于中值濾波和直方圖均衡化的圖像增強方法研究[J]. 苗水清,張靜,黃昌軍.  無線互聯(lián)科技. 2017(22)
[6]幾種圖像濾波處理方法比較[J]. 徐莉莉.  電腦知識與技術(shù). 2017(31)
[7]基于PReLUs-Softplus非線性激勵函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)[J]. 郜麗鵬,鄭輝.  沈陽工業(yè)大學學報. 2018(01)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究[J]. 張榮磊,田愛奎,譚浩,鄭睿.  山東理工大學學報(自然科學版). 2018(01)
[9]基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別方法[J]. 高強.  電子世界. 2017(17)
[10]基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別應用[J]. 肖瑩.  科技經(jīng)濟導刊. 2017(24)

博士論文
[1]圖像特征提取方法及其應用研究[D]. 劉淑琴.西北大學 2016

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別方法研究[D]. 宋月.東北石油大學 2017
[2]玉米大豆水稻圖像識別方法研究[D]. 李妍.黑龍江八一農(nóng)墾大學 2017
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別[D]. 蔣帥.吉林大學 2017
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理與識別算法研究[D]. 滿鳳環(huán).江南大學 2017
[5]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究[D]. 楊子文.廣西師范大學 2017
[6]邊緣檢測方法研究及應用[D]. 王章鋒.天津工業(yè)大學 2017
[7]基于端到端深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別算法[D]. 陳華官.浙江大學 2017
[8]基于深度學習算法的圖像識別技術(shù)的應用研究[D]. 周玉松.北京郵電大學 2017
[9]基于深度學習的圖像識別應用研究[D]. 周凱龍.北京工業(yè)大學 2016
[10]卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化及其在圖像識別中的應用[D]. 李媛媛.沈陽工業(yè)大學 2016



本文編號：3101082