我國(guó)既是棉花生產(chǎn)大國(guó)又棉花消費(fèi)大國(guó),棉花產(chǎn)量關(guān)系著國(guó)計(jì)民生,而棉花整個(gè)生長(zhǎng)周期受到多種病蟲(chóng)害的侵襲,嚴(yán)重影響其產(chǎn)量,因此能快速準(zhǔn)確的識(shí)別出棉花病蟲(chóng)害的種類并給予及時(shí)準(zhǔn)確防治對(duì)于避免病害進(jìn)一步擴(kuò)散進(jìn)而提高棉花產(chǎn)量至關(guān)重要。由于傳統(tǒng)的棉花病蟲(chóng)害檢測(cè)依靠植物保護(hù)專家或者經(jīng)驗(yàn)豐富的農(nóng)人,費(fèi)時(shí)費(fèi)力且對(duì)于人眼較難觀察的微小病變識(shí)別準(zhǔn)確率低,另外,傳統(tǒng)的檢測(cè)方法需要復(fù)雜的人工特征分割與提取,增加了人工成本,且計(jì)算復(fù)雜度高也造成識(shí)別效果不理想。鑒于此,本文將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)算法用于棉花葉部病蟲(chóng)害圖像自動(dòng)識(shí)別研究中。本文在CNN算法的基礎(chǔ)上,以棉花的枯萎病,黃萎病,棉鈴疫病,褐斑病,角斑病,棉葉螨為研究對(duì)象展開(kāi)研究。針對(duì)棉花病蟲(chóng)害圖像數(shù)據(jù)集較小容易產(chǎn)生過(guò)擬合的問(wèn)題,引入了遷移學(xué)習(xí)算法輔以數(shù)據(jù)增強(qiáng)技術(shù)以解決該問(wèn)題,最后開(kāi)發(fā)了一款A(yù)PP用于棉花病蟲(chóng)害自動(dòng)檢測(cè)。主要研究?jī)?nèi)容如下:(1)針對(duì)本研究搜集的數(shù)據(jù),設(shè)計(jì)了6種不同卷積深度的CNN模型以完成棉花病蟲(chóng)害圖像特征的自動(dòng)提取,并采用Softmax分類器實(shí)現(xiàn)病蟲(chóng)害類型的識(shí)別,探究了適合本棉花病蟲(chóng)害數(shù)據(jù)集的深度網(wǎng)絡(luò)模型。對(duì)比了傳統(tǒng)的支持向量機(jī)(support vector machine,SVM)方法和BP(back propagation,BP)神經(jīng)網(wǎng)絡(luò)方法的實(shí)驗(yàn)效果。(2)仿照AlexNet模型搭建了5個(gè)卷積層和2個(gè)全連接層和1個(gè)Softmax分類層的網(wǎng)絡(luò)結(jié)構(gòu),使用該模型對(duì)棉花葉部6種病蟲(chóng)害進(jìn)行分類研究。本部分實(shí)驗(yàn)分兩部分,第一部分利用PlantVillage大數(shù)據(jù)集在搭建的模型上學(xué)習(xí)來(lái)得到預(yù)訓(xùn)練模型作為特征提取器并保存模型,然后利用模型遷移、微調(diào)參數(shù)的遷移學(xué)習(xí)方式在原始棉花病害數(shù)據(jù)集上訓(xùn)練我們的模型;第二部分使用數(shù)據(jù)增強(qiáng)技術(shù)對(duì)原始棉花病害數(shù)據(jù)集進(jìn)行擴(kuò)充得到的新的數(shù)據(jù)集,然后用新數(shù)據(jù)集代替原始數(shù)據(jù)集重復(fù)第一部分實(shí)驗(yàn),得到最終的模型。綜合對(duì)比了支持SVM和BP神經(jīng)網(wǎng)絡(luò)方法以及深度卷積神經(jīng)網(wǎng)絡(luò)模型(VGG-19和Google Inception v2)的實(shí)驗(yàn)效果。(3)本文將研究的最終模型遷移到Android設(shè)備上制作一款A(yù)PP,以實(shí)現(xiàn)棉花葉部病蟲(chóng)害的識(shí)別。
【學(xué)位單位】：山東農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：S435.621;TP391.41;TP18
【部分圖文】：

基于卷積神經(jīng)網(wǎng)絡(luò)的棉花葉部病蟲(chóng)害自動(dòng)識(shí)別研究10圖2-1CNN卷積層局部連接Fig.2-1CNNvolumelayerlocalconnection卷積層的另一大特征是權(quán)值共享，對(duì)于CNN的同一個(gè)卷積層的所有神經(jīng)元共同使用同一個(gè)卷積核的權(quán)值（劉小明，2018），這種方式減少了參數(shù)數(shù)量，加快了網(wǎng)絡(luò)的訓(xùn)練速度。比如一個(gè)3×3大小的卷積核，共9個(gè)參數(shù)，它會(huì)和輸入圖片的不同區(qū)域作卷積，來(lái)檢測(cè)相同的特征，而只有不同的卷積核才會(huì)對(duì)應(yīng)不同的權(quán)值參數(shù)，來(lái)檢測(cè)不同的特征。如圖2-2所示，通過(guò)權(quán)值共享和局部連接的方法，這里一共只有3個(gè)不同的權(quán)值，如果只用了局部連接的方法，共需要3*4=12個(gè)權(quán)值參數(shù)，權(quán)值共享進(jìn)一步減少了參數(shù)數(shù)量。圖2-2CNN卷積層權(quán)值共享Fig.2-2CNNvolumelayerweightsharing2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)介紹常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般由輸入層、卷積層、激活層、池化層、全連接層組成，常見(jiàn)的CNN結(jié)構(gòu)如圖2-3所示，卷積神經(jīng)網(wǎng)絡(luò)的低隱層是由卷積層和池化層交替組成（激活層緊跟在卷積層后面，一般不畫(huà)出），高層由全連接層（傳統(tǒng)多層感知器）的隱含層和邏輯回歸分類器（輸出層）組成（郭吉政，2015）。網(wǎng)絡(luò)模型采用梯度下降算法最小化代價(jià)函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過(guò)頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。

基于卷積神經(jīng)網(wǎng)絡(luò)的棉花葉部病蟲(chóng)害自動(dòng)識(shí)別研究10圖2-1CNN卷積層局部連接Fig.2-1CNNvolumelayerlocalconnection卷積層的另一大特征是權(quán)值共享，對(duì)于CNN的同一個(gè)卷積層的所有神經(jīng)元共同使用同一個(gè)卷積核的權(quán)值（劉小明，2018），這種方式減少了參數(shù)數(shù)量，加快了網(wǎng)絡(luò)的訓(xùn)練速度。比如一個(gè)3×3大小的卷積核，共9個(gè)參數(shù)，它會(huì)和輸入圖片的不同區(qū)域作卷積，來(lái)檢測(cè)相同的特征，而只有不同的卷積核才會(huì)對(duì)應(yīng)不同的權(quán)值參數(shù)，來(lái)檢測(cè)不同的特征。如圖2-2所示，通過(guò)權(quán)值共享和局部連接的方法，這里一共只有3個(gè)不同的權(quán)值，如果只用了局部連接的方法，共需要3*4=12個(gè)權(quán)值參數(shù)，權(quán)值共享進(jìn)一步減少了參數(shù)數(shù)量。圖2-2CNN卷積層權(quán)值共享Fig.2-2CNNvolumelayerweightsharing2.2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)介紹常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)一般由輸入層、卷積層、激活層、池化層、全連接層組成，常見(jiàn)的CNN結(jié)構(gòu)如圖2-3所示，卷積神經(jīng)網(wǎng)絡(luò)的低隱層是由卷積層和池化層交替組成（激活層緊跟在卷積層后面，一般不畫(huà)出），高層由全連接層（傳統(tǒng)多層感知器）的隱含層和邏輯回歸分類器（輸出層）組成（郭吉政，2015）。網(wǎng)絡(luò)模型采用梯度下降算法最小化代價(jià)函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過(guò)頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。

常見(jiàn)的CNN結(jié)構(gòu)
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林清玄;;你心柔軟,卻有力量[J];人生與伴侶(上半月版);2017年02期

2 劉淑蘭,陳俊花,張永林,鄭江生;幾種棉花葉面肥增產(chǎn)效果對(duì)比試驗(yàn)[J];石河子科技;2001年03期

3 陳志英 ,羅磊;棉花葉面肥的使用[J];石河子科技;2001年06期

4 何洪智;;豬的好飼料——棉花葉[J];四川農(nóng)業(yè)科技;1988年05期

5 ;棉花葉是喂豬的好飼料[J];陜西農(nóng)業(yè)科技;1971年09期

6 ;棉花葉的飼用[J];飼料研究;1982年01期

7 吳琳;王修貴;周復(fù)雄;莫春華;;一種棉花葉面積預(yù)測(cè)的簡(jiǎn)單方法[J];湖北農(nóng)業(yè)科學(xué);2009年06期

8 王艷姿;棉花葉面噴施“活力素”效果試驗(yàn)示范小結(jié)[J];石河子科技;1998年02期

9 ;棉花葉可作牲畜飼料[J];河南農(nóng)業(yè);2001年06期

10 肖太山,王淑春;多種棉花葉面肥試驗(yàn)小結(jié)[J];石河子科技;2001年02期

相關(guān)博士學(xué)位論文 前10條

1 連自鋒;基于深層神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法研究[D];北京郵電大學(xué);2017年

2 余紹德;卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)在癌癥影像分析中的研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院);2018年

3 肖理業(yè);基于機(jī)器學(xué)習(xí)的電磁場(chǎng)建模與設(shè)計(jì)研究[D];電子科技大學(xué);2019年

4 陳涵瀛;核電站熱工水力系統(tǒng)工況預(yù)測(cè)與診斷方法研究[D];哈爾濱工程大學(xué);2018年

5 梁智杰;聾啞人手語(yǔ)識(shí)別關(guān)鍵技術(shù)研究[D];華中師范大學(xué);2019年

6 劉昂;微結(jié)構(gòu)硅基光子學(xué)器件性能的研究[D];南京大學(xué);2019年

7 趙博雅;基于卷積神經(jīng)網(wǎng)絡(luò)的硬件加速器設(shè)計(jì)及實(shí)現(xiàn)研究[D];哈爾濱工業(yè)大學(xué);2018年

8 杜昌順;面向細(xì)分領(lǐng)域的輿情情感分析關(guān)鍵技術(shù)研究[D];北京交通大學(xué);2019年

9 陳科海;機(jī)器翻譯上下文表示方法研究[D];哈爾濱工業(yè)大學(xué);2019年

10 饒紅霞;信息受限下神經(jīng)網(wǎng)絡(luò)的狀態(tài)估計(jì)和擬同步研究[D];廣東工業(yè)大學(xué);2019年

相關(guān)碩士學(xué)位論文 前10條

1 侯發(fā)東;基于卷積神經(jīng)網(wǎng)絡(luò)的棉花葉部病蟲(chóng)害自動(dòng)識(shí)別研究[D];山東農(nóng)業(yè)大學(xué);2020年

2 宋月;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別方法研究[D];東北石油大學(xué);2017年

3 景輝芳;深度神經(jīng)網(wǎng)絡(luò)的研究及其在植物葉片圖像識(shí)別中的應(yīng)用[D];南昌航空大學(xué);2016年

4 張榮磊;基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別算法研究[D];山東理工大學(xué);2017年

5 姜新猛;基于TensorFlow的卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用研究[D];華中師范大學(xué);2017年

6 鄧秋香;神經(jīng)網(wǎng)絡(luò)串并聯(lián)學(xué)習(xí)算法在B超圖像識(shí)別中的應(yīng)用[D];武漢理工大學(xué);2008年

7 張智霞;基于量子協(xié)同神經(jīng)網(wǎng)絡(luò)的圖像識(shí)別[D];西安電子科技大學(xué);2010年

8 石乾磊;基于卷積神經(jīng)網(wǎng)絡(luò)的圖片數(shù)字識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];河南大學(xué);2017年

9 許可;卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別上的應(yīng)用的研究[D];浙江大學(xué);2012年

10 代光海;基于神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)想象腦電信號(hào)識(shí)別技術(shù)研究[D];電子科技大學(xué);2020年

本文編號(hào)：2875834