本文關(guān)鍵詞：基于機器學習的作物病害圖像處理及病變識別方法研究

  更多相關(guān)文章： 深度學習 病害圖像識別 特征提取 受限玻爾茲曼機網(wǎng)絡(luò) 卷積網(wǎng)絡(luò)

【摘要】：農(nóng)業(yè)是一個復雜的生命系統(tǒng),具有典型的生態(tài)區(qū)域性和生理過程復雜性。信息技術(shù)是推動社會經(jīng)濟變革的重要力量,加速農(nóng)業(yè)信息化發(fā)展成為了世界各國的共同選擇。我國是個農(nóng)業(yè)大國,對農(nóng)業(yè)信息化技術(shù)與科學有著巨大需求。目前,大部分農(nóng)業(yè)設(shè)備或者終端只能采集圖像,缺乏加工功能,無法提取有指導農(nóng)業(yè)生產(chǎn)管理的有用信息。對農(nóng)業(yè)物聯(lián)網(wǎng)終端的圖像信息實現(xiàn)智能分析、處理、識別,使得系統(tǒng)能做出和智能生命體類似的響應(yīng),已經(jīng)成為設(shè)備擺脫“視而不見”困局的首要任務(wù)。長勢圖像直觀地、形象地表達了作物生長、發(fā)育、健康狀況、受害程度,病因等方方面面的信息。讓支持視頻感知的農(nóng)業(yè)智能系統(tǒng)近似正確地識別、解讀農(nóng)學信息,實時地、科學地、自動地指導農(nóng)技措施,對于實施“智慧農(nóng)業(yè)”有著積極意義。本文圍繞面向不均勻樣本集的懲罰校正SVN分類方法、作物病害圖像的病變識別預(yù)處理、病變模式識別的數(shù)值分析特征提取及SVN識別、病變圖像模式半監(jiān)督深度學習特征提取及識別、病變圖像模式監(jiān)督深度學習特征提取和一體化識別5個方面的內(nèi)容展開了深入研究。拓展了機器學習理論及其應(yīng)用范疇,構(gòu)造了基于機器學習的作物病變圖像識別的數(shù)據(jù)結(jié)構(gòu)和算法范形。最后,將提出的理論和設(shè)計方法應(yīng)用于工廠化果園生產(chǎn)場景采集的蘋果病害圖像識別并進行算法級別實驗驗證,為面向深度學習作物病害圖像識別的農(nóng)業(yè)智能系統(tǒng)產(chǎn)品開發(fā)設(shè)計提供了不菲的參考價值。論文主要研究成果和創(chuàng)新點如下:1.提出了懲罰校正的支持向量分類算法和校正方法。以SVN為基礎(chǔ),探討懲罰支持向量機處理不平衡樣本時,在不同目標尤其是樣本稀疏目標的學習錯誤率上呈現(xiàn)的顯著性差異,提出懲罰校正的支持向量分類算法和校正方法。在小麥籽種圖像特征數(shù)據(jù)上開展實驗分析,稀疏樣本目標的準確率顯著提高,整體分類性也得到明顯改善,具備顯著有效性和通用性。2.設(shè)計了病害圖像識別方位亮度多樣性仿真方法。同廣泛使用的基準數(shù)據(jù)集相比,農(nóng)場果園視頻感知設(shè)備采集環(huán)境復雜,充滿著多種干擾,定點、移動方式都難以保證在受限條件和有限次數(shù)采樣下,采集到代表性圖像在各狀態(tài)下分布均勻的樣本集。在訓練測試之前,需要消除噪聲,規(guī)格化樣本大小等一系列操作的預(yù)處理過程。以蘋果為例,設(shè)計病害圖像預(yù)處理標準過程和方法:整形算法、方位多樣性仿真、亮度多樣性仿真、稀疏化方法。同時,在主成分分析數(shù)學過程剖析的基礎(chǔ)上,提出特征值溢界丟棄的PCA降維。閾值為95%時,該方法表現(xiàn)出較好的重構(gòu)性能;在ORL基準數(shù)據(jù)集展開泛化實驗,準確率三維曲面說明,溢界丟棄的PCA降維能實現(xiàn)樣本的有效特征化;結(jié)合支持向量機構(gòu)造病變模式的識別方法,算法表現(xiàn)出令人樂觀的實驗性能。3.提出隨機反饋深度受限玻爾茲曼機半監(jiān)督學習的病害圖像特征提取。在分析受限玻爾茲曼機能量模型數(shù)學邏輯的基礎(chǔ)上,提出病害圖像模式半監(jiān)督深度學習特征提取,該算法的重構(gòu)效果較PCA算法有明顯改進。針對RBM網(wǎng)絡(luò)的粗造學習過程,在k階對比散度方法的基礎(chǔ)上提出基于隨機反饋的對比散度方法。kCD的目標函數(shù)趨近對比實驗顯示:該算法的收斂時間較長,但是,收斂之后的目標函數(shù)曲線,具備更好穩(wěn)定性,更高最優(yōu)目標值,更加有利于系統(tǒng)性能的穩(wěn)定。4.提出彈性動量深度卷積病變圖像特征提取識別網(wǎng)絡(luò)一體化方法�；诰矸e運算提出深度卷積網(wǎng)絡(luò)的果體病變圖像識別方法,設(shè)計網(wǎng)絡(luò)結(jié)構(gòu)及其面向卷積的誤差BP傳遞算法,提出彈性沖量的權(quán)值更新機制,構(gòu)造線性彈性動量和二次彈性動量方法。該方法通過一體化的學習網(wǎng)絡(luò),融合特征提取和模式識別,共享學習機制完成對識別部件和特征提取部件的協(xié)同訓練,解決了“過程和目標”失配的問題,收斂曲線反映出該方法有較快的收斂速度;二次彈性動量和線性彈性動量相比于經(jīng)典動量梯度下降、自適應(yīng)動量方法,收斂周期呈現(xiàn)較大幅度的提前。
【學位授予單位】：北京工業(yè)大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.41;TP181

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 馬少華,高峰,李敏,吳成東;神經(jīng)網(wǎng)絡(luò)分類器的特征提取和優(yōu)選[J];基礎(chǔ)自動化;2000年06期

2 管聰慧,宣國榮;多類問題中的特征提取[J];計算機工程;2002年01期

3 胡威;李建華;陳波;;入侵檢測建模過程中特征提取最優(yōu)化評估[J];計算機工程;2006年12期

4 朱玉蓮;陳松燦;趙國安;;推廣的矩陣模式特征提取方法及其在人臉識別中的應(yīng)用[J];小型微型計算機系統(tǒng);2007年04期

5 趙振勇;王保華;王力;崔磊;;人臉圖像的特征提取[J];計算機技術(shù)與發(fā)展;2007年05期

6 馮海亮;王麗;李見為;;一種新的用于人臉識別的特征提取方法[J];計算機科學;2009年06期

7 朱笑榮;楊德運;;基于入侵檢測的特征提取方法[J];計算機應(yīng)用與軟件;2010年06期

8 王菲;白潔;;一種基于非線性特征提取的被動聲納目標識別方法研究[J];軟件導刊;2010年05期

9 陳偉;瞿曉;葛丁飛;;主觀引導特征提取法在光譜識別中的應(yīng)用[J];科技通報;2011年04期

10 王華,李介谷;人臉斜視圖象的特征提取與恢復[J];上海交通大學學報;1997年01期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 尚修剛;蔣慰孫;;模糊特征提取新算法[A];1997中國控制與決策學術(shù)年會論文集[C];1997年

2 潘榮江;孟祥旭;楊承磊;王銳;;旋轉(zhuǎn)體的幾何特征提取方法[A];第一屆建立和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2005）論文集[C];2005年

3 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

4 杜栓平;曹正良;;時間—頻率域特征提取及其應(yīng)用[A];2005年全國水聲學學術(shù)會議論文集[C];2005年

5 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學術(shù)會議�？痆C];2008年

6 魏明果;;方言比較的特征提取與矩陣分析[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)會議論文集[C];2009年

7 林土勝;賴聲禮;;視網(wǎng)膜血管特征提取的拆支跟蹤法[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學術(shù)會議論文集[C];1999年

8 秦建玲;李軍;;基于核的主成分分析的特征提取方法與樣本篩選[A];2005年中國機械工程學會年會論文集[C];2005年

9 劉紅;陳光，

本文編號：1297875