植物葉片承擔(dān)著光合作用的重任,也是植物的重要組成部分。通常而言,不同種類的植物葉片在形態(tài)、結(jié)構(gòu)和組成成分上都會(huì)存在一定的差異,并且植物的葉片也會(huì)因?yàn)樗帧⒐庹找约盃I(yíng)養(yǎng)元素等條件的改變而發(fā)生變化。當(dāng)前農(nóng)林業(yè)中,我們一般通過(guò)葉片的形狀、顏色、紋理等來(lái)判斷植物種類以及推斷其當(dāng)前的生長(zhǎng)發(fā)育狀態(tài)。隨著光學(xué)檢測(cè)技術(shù)的發(fā)展,通過(guò)研究各類植物葉片的光學(xué)表征能夠幫助我們快速準(zhǔn)確地對(duì)植物進(jìn)行識(shí)別以及生長(zhǎng)發(fā)育狀態(tài)的判斷,解決傳統(tǒng)方法需要消耗大量人力物力以及時(shí)效性差等問(wèn)題,為現(xiàn)代農(nóng)林業(yè)自動(dòng)化、精準(zhǔn)化、數(shù)字化、信息化的發(fā)展提供了全新的平臺(tái)。本文利用信息光學(xué)與計(jì)算機(jī)圖像技術(shù)相結(jié)合的方法研究了不同生長(zhǎng)狀態(tài)下植物葉片的識(shí)別,光學(xué)信息處理下植物葉片的葉脈紋理提取以及基于雙目立體視覺的植物葉片體積測(cè)量,論文的主要工作如下:第一,本文根據(jù)當(dāng)前熱門的深度學(xué)習(xí)技術(shù),利用深度學(xué)習(xí)遷移原理,對(duì)Alexnet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化,并在此基礎(chǔ)上充分聯(lián)系生活應(yīng)用中的實(shí)際情況,選取不同背景,不同生長(zhǎng)發(fā)育狀態(tài)下的植物葉片圖像數(shù)據(jù)來(lái)進(jìn)行深度學(xué)習(xí),訓(xùn)練后的識(shí)別率能夠到達(dá)86.25%。第二,本文根據(jù)葉片識(shí)別過(guò)程中葉脈紋理會(huì)對(duì)識(shí)別率造成影響這一思... 

【文章來(lái)源】：浙江農(nóng)林大學(xué)浙江省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

深度神經(jīng)網(wǎng)絡(luò)示意圖

圖 2.2 卷積示意圖Figure2.2 Convolution schematic圖 2.2 是卷積的過(guò)程示意圖，其中左圖是一個(gè)大小為 6×6 的圖像，總共含有元，我們利用一個(gè)大小為 4×4 的卷積核對(duì)它進(jìn)行卷積，可以得到如右圖所示處理后的特征圖像，其大小由原來(lái) 6×6 變?yōu)?2×2，神經(jīng)個(gè)數(shù)減少了 32 個(gè)，高了學(xué)習(xí)效率。行卷積之后圖像會(huì)出現(xiàn)線性變換，我們利用函數(shù)Re ( )0xLU x 00ifxifx 來(lái)修元。從上述函數(shù)的表達(dá)式可以看出，該函數(shù)為線性分段函數(shù)，其中輸入小于，輸出結(jié)果均等于 0；當(dāng)輸入大于 0 值時(shí)，輸出結(jié)果等于輸入結(jié)果，這種處單側(cè)抑制。我們利用這一原理可以使得神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元具備稀疏激活在深度神經(jīng)網(wǎng)絡(luò)模型（如卷積神經(jīng)網(wǎng)絡(luò)）中，隨著神經(jīng)網(wǎng)絡(luò)模型層數(shù)的增eLU 函數(shù)的神經(jīng)元激活效率會(huì)隨之降低。因此運(yùn)用 ReLU 函數(shù)進(jìn)行稀疏處理可以更好地發(fā)掘圖像的相關(guān)特征以及擬合訓(xùn)練數(shù)據(jù)。另外，ReLU 函數(shù)還具勢(shì)：相較于線性函數(shù)，ReLU 函數(shù)的表達(dá)功能更強(qiáng)，在深度神經(jīng)網(wǎng)絡(luò)中表現(xiàn)

圖 2.3 池化示意圖Figure 2.3 Pooling schemes深度學(xué)習(xí)的葉片識(shí)別ab 深度學(xué)習(xí)模塊的其中一個(gè)特點(diǎn)是可以進(jìn)行遷移學(xué)習(xí)[61-63]，即在已經(jīng)訓(xùn)深度神經(jīng)網(wǎng)絡(luò)模型上適當(dāng)改變并加載自己需要的數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，這下優(yōu)點(diǎn)：，可以在計(jì)算機(jī)配置不足的情況下進(jìn)行圖像識(shí)別訓(xùn)練，明顯提高計(jì)算機(jī)運(yùn)行效率。，可以避免重新開始訓(xùn)練，即在原先訓(xùn)練的基礎(chǔ)上進(jìn)一步細(xì)化深入訓(xùn)取所需訓(xùn)練目標(biāo)的特征。例如當(dāng)你已經(jīng)有了一個(gè)可以準(zhǔn)確分辨貓和狗的時(shí)，你可以直接跳過(guò)辨別貓與狗的識(shí)別訓(xùn)練，在該神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上修層神經(jīng)網(wǎng)絡(luò)即可用來(lái)分辨狗的品種。度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的構(gòu)造學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)種類繁多，主要有 VGG、GoogLeNet、PReLU-net、BN-inc

【參考文獻(xiàn)】：
期刊論文
[1]基于無(wú)人機(jī)傾斜航空影像的樹冠體積測(cè)算方法[J]. 于東海,馮仲科.  農(nóng)業(yè)工程學(xué)報(bào). 2019(01)
[2]雙目立體視覺的研究現(xiàn)狀及進(jìn)展[J]. 黃鵬程,江劍宇,楊波.  光學(xué)儀器. 2018(04)
[3]雙目視覺立體匹配技術(shù)研究現(xiàn)狀和展望[J]. 林森,殷新勇,唐延?xùn)|.  科學(xué)技術(shù)與工程. 2017(30)
[4]基于近紅外光譜技術(shù)的成年橡膠樹葉片氮素含量檢測(cè)[J]. 蔣燦辰,唐榮年.  安徽農(nóng)業(yè)大學(xué)學(xué)報(bào). 2017(03)
[5]基于反射光譜指數(shù)的銳齒櫟葉片色素含量估算[J]. 劉暢,孫鵬森,劉世榮.  林業(yè)科學(xué)研究. 2017(01)
[6]試卷識(shí)別中的手寫體識(shí)別[J]. 王倩文,崔山領(lǐng),徐靖.  電子世界. 2016(21)
[7]基于反射光譜探測(cè)與二維分析的玉米葉片葉綠素診斷[J]. 程萌,陳香,毛博慧,孫紅,李民贊,楊瑋.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2016(S1)
[8]基于計(jì)算機(jī)視覺的自動(dòng)駕駛算法研究綜述[J]. 張貴英,向函,趙勇.  貴州師范學(xué)院學(xué)報(bào). 2016(06)
[9]基于光譜反射特征的草莓葉片含水率模型[J]. 李珺,宋文龍.  東北林業(yè)大學(xué)學(xué)報(bào). 2016(01)
[10]基于全變分去噪和八方向sobel算子的葉脈提取算法[J]. 田甜,劉強(qiáng),尹仕威,王立地.  浙江農(nóng)業(yè)學(xué)報(bào). 2015(04)

碩士論文
[1]基于雙目視覺的運(yùn)動(dòng)目標(biāo)檢測(cè)與三維測(cè)量[D]. 孫亞芹.西南大學(xué) 2015



本文編號(hào)：2915105