葡萄在自然條件下生長(zhǎng),由于受天氣復(fù)雜變化和光照照度不均的影響,會(huì)導(dǎo)致葡萄葉片圖像前景與背景的對(duì)比度不強(qiáng),葉片圖像紋理模糊、色差較大等的缺陷。同時(shí),在上述的條件下,葉片中有些會(huì)出現(xiàn)病害,這樣對(duì)于如何分割其中有病害與正常的葉片,采用傳統(tǒng)的圖像分割算法尚不能解決這類問題。本文以兩種深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)算法作為核心,分別實(shí)現(xiàn)葡萄葉片圖像的前景/背景分割與個(gè)例分割,對(duì)各種成像條件和背景的葉片圖像分割效果較好。為了解決不同光照和復(fù)雜背景下對(duì)正常和病害葡萄葉片圖像的前景/背景自動(dòng)分割,使用了一種全卷積網(wǎng)絡(luò)（Fully Convolutional Networks）的葡萄葉片圖像的自動(dòng)分割算法。該方法在結(jié)構(gòu)上將傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）后三個(gè)全連接層換成三個(gè)卷積層。通過多層的卷積,對(duì)輸入葡萄葉片圖像的特征進(jìn)行提取;通過池化層對(duì)特征信息進(jìn)行篩選,縮減特征尺寸,以達(dá)到減少網(wǎng)絡(luò)參數(shù)的目的。再通過反卷積對(duì)特征上采樣,從高維、小尺寸特征恢復(fù)到圖像原始尺寸,對(duì)具有原始尺寸的特征進(jìn)行逐像素分類,確定原圖像中每個(gè)像素位置的標(biāo)簽是背景還是前景。但只經(jīng)過上采樣處理后的分... 

【文章來(lái)源】：甘肅農(nóng)業(yè)大學(xué)甘肅省

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像采集設(shè)備表2-1CanonEos1200D相關(guān)規(guī)格參數(shù)說(shuō)明

d 晴天有遮擋葉片 e 陰天有遮擋葉片 f 陰影有遮擋葉片圖2.2 自然條件下6張正常葡萄葉片的原始圖像圖2.3 自然條件下4張病害葡萄葉片的原始圖像2.3 數(shù)據(jù)集的制作2.3.1 全卷積網(wǎng)絡(luò)的數(shù)據(jù)集制作全卷積網(wǎng)絡(luò)的訓(xùn)練集來(lái)自 VOC2007 的數(shù)據(jù)集格式，對(duì)于正常葉片的訓(xùn)練，其中單葉片 400 張，多葉片 600 張，單葉片的訓(xùn)練集與測(cè)試集分別是 320 和 80；多葉片的訓(xùn)練集與測(cè)試集分別是 500 與 100；對(duì)于病害葉片的訓(xùn)練，分為有病害的單葉片和多葉片。其中單葉片為 200 張，多葉片為 300 張。訓(xùn)練集單葉片與多葉片數(shù)量分別是 180 與 250，測(cè)試集的數(shù)量則是 20 與 50。該訓(xùn)練集的數(shù)據(jù)集主要有三個(gè)部分構(gòu)成，分別是 cls、img 與一個(gè) train.txt。cls 文件夾中放的是訓(xùn)練集的索引圖

圖 2.4 索引圖的制作過程實(shí)例經(jīng)過全卷積網(wǎng)絡(luò)分割出來(lái)的葡萄葉片圖像，是以索引圖形式的二值化圖像該圖像最直觀的效果展示就是分割出的葉片只具有輪廓感，當(dāng)分割的是多葉片

【參考文獻(xiàn)】：
期刊論文
[1]非受限條件下多級(jí)殘差網(wǎng)絡(luò)人臉圖像年齡估計(jì)[J]. 張珂,高策,郭麗茹,苑津莎,趙振兵,李保罡.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2018(02)
[2]基于CNN深度學(xué)習(xí)模型的交通圖像擁堵識(shí)別[J]. 崔華,劉云飛,宋鑫鑫,李盼儂.  科技創(chuàng)新與應(yīng)用. 2018(04)
[3]基于跨連接LeNet-5網(wǎng)絡(luò)的面部表情識(shí)別[J]. 李勇,林小竹,蔣夢(mèng)瑩.  自動(dòng)化學(xué)報(bào). 2018(01)
[4]基于Caffe網(wǎng)絡(luò)模型的Faster R-CNN算法推理過程的解析[J]. 郭葉軍,汪敬華.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(01)
[5]基于FasterR-CNN的人臉檢測(cè)方法[J]. 董蘭芳,張軍挺.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2017(12)
[6]基于多任務(wù)Faster R-CNN車輛假牌套牌的檢測(cè)方法[J]. 陳朋,湯一平,何霞,王輝,袁公萍.  儀器儀表學(xué)報(bào). 2017(12)
[7]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法綜述[J]. 周曉彥,王珂,李凌燕.  電子測(cè)量技術(shù). 2017(11)
[8]機(jī)器視覺技術(shù)在現(xiàn)代農(nóng)業(yè)裝備領(lǐng)域的應(yīng)用進(jìn)展[J]. 周航,杜志龍,武占元,宋程,郭楠,林亞玲.  中國(guó)農(nóng)機(jī)化學(xué)報(bào). 2017(11)
[9]一種改進(jìn)的葡萄葉片自動(dòng)分割算法[J]. 趙金陽(yáng),馮全,王書志,張芮.  中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2017(11)
[10]基于機(jī)器視覺的設(shè)施農(nóng)業(yè)害蟲監(jiān)測(cè)技術(shù)研究進(jìn)展與展望[J]. 陳梅香,劉蒙蒙,趙麗,溫冬梅,李文勇,柳瑞,李明.  農(nóng)業(yè)工程技術(shù). 2017(31)

博士論文
[1]灰度圖像閾值分割的自適應(yīng)和快速算法研究[D]. 陽(yáng)樹洪.重慶大學(xué) 2014
[2]獼猴桃、柿和蘋果果實(shí)的抗氧化能力及其抗氧化活性成分的分析[D]. 杜國(guó)榮.西北農(nóng)林科技大學(xué) 2009

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類優(yōu)化算法的研究與驗(yàn)證[D]. 石琪.北京交通大學(xué) 2017
[2]自然光照下葡萄葉片圖像的顏色恢復(fù)與陰影檢測(cè)[D]. 趙玉琴.甘肅農(nóng)業(yè)大學(xué) 2016
[3]無(wú)監(jiān)督特征學(xué)習(xí)結(jié)合神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別[D]. 敖道敢.華南理工大學(xué) 2014
[4]基于圖像處理的玉米葉部病害識(shí)別研究[D]. 李麗君.四川農(nóng)業(yè)大學(xué) 2014
[5]模糊邊界特性的灰度圖像分割算法研究[D]. 劉軍.廣東工業(yè)大學(xué) 2011
[6]采用基于區(qū)域的自動(dòng)種子區(qū)域生長(zhǎng)法的彩色圖像分割方法[D]. 王佳男.東北師范大學(xué) 2007



本文編號(hào)：3529614