發(fā)布時(shí)間：2021-12-28 21:47

　　人工智能的空前發(fā)展給各行各業(yè)帶來(lái)了前所未有的變革,其背后的推動(dòng)力離不開深度學(xué)習(xí)。在農(nóng)業(yè)領(lǐng)域,雜草是制約糧食生產(chǎn)的主要原因之一,現(xiàn)代化農(nóng)業(yè)逐步趨于智能化,如使用植保無(wú)人機(jī)、智能除草設(shè)備等,其關(guān)鍵在于如何有效識(shí)別作物與不同雜草群落,進(jìn)而高效使用除草劑或除草設(shè)備。目前,以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)架構(gòu)在圖像識(shí)別中取得了令人矚目的成績(jī),但其往往需要大量樣本數(shù)據(jù)和高性能硬件設(shè)備支持來(lái)訓(xùn)練和運(yùn)行復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),而在實(shí)際應(yīng)用中樣本數(shù)據(jù)的獲取、標(biāo)注成本、網(wǎng)絡(luò)大小、運(yùn)行效率等都是需要考慮的因素。因此,基于小樣本、輕量化的網(wǎng)絡(luò)架構(gòu)成為目前的研究熱點(diǎn)之一。和積網(wǎng)絡(luò)是新型概率深度網(wǎng)絡(luò)模型,區(qū)別于貝葉斯網(wǎng)和馬爾科夫網(wǎng)等具有NP難計(jì)算的概率圖模型,和積網(wǎng)絡(luò)能夠在網(wǎng)絡(luò)大小的線性時(shí)間內(nèi)進(jìn)行精確推理,具有強(qiáng)大的理論支持。與神經(jīng)網(wǎng)絡(luò)相比,其網(wǎng)絡(luò)內(nèi)部結(jié)構(gòu)具有清晰的概率語(yǔ)義,且學(xué)習(xí)過(guò)程簡(jiǎn)單快速。因此,針對(duì)上述問(wèn)題,本文提出一種自下而上生成網(wǎng)絡(luò)結(jié)構(gòu),自上而下更新網(wǎng)絡(luò)參數(shù)的輕量和積網(wǎng)絡(luò)算法,在多個(gè)基準(zhǔn)數(shù)據(jù)集的對(duì)比中,獲得了最佳的對(duì)數(shù)似然值。最后結(jié)合K-means算法提出一種輕量和積網(wǎng)絡(luò)雜草識(shí)別模型。以無(wú)人機(jī)獲取的大豆雜草小樣本... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：52 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 作物雜草識(shí)別方法研究現(xiàn)狀
        1.2.2 和積網(wǎng)絡(luò)研究現(xiàn)狀
    1.3 本文的主要研究?jī)?nèi)容
    1.4 論文結(jié)構(gòu)安排
第2章 和積網(wǎng)絡(luò)介紹
    2.1 和積網(wǎng)絡(luò)
    2.2 相關(guān)定義及定理
    2.3 和積網(wǎng)絡(luò)的結(jié)構(gòu)學(xué)習(xí)
    2.4 和積網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)
    2.5 本章小結(jié)
第3章 基于輕量和積網(wǎng)絡(luò)的田間雜草識(shí)別算法設(shè)計(jì)
    3.1 輕量和積網(wǎng)絡(luò)雜草識(shí)別流程
    3.2 K-MEANS算法
    3.3 輕量和積網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)學(xué)習(xí)
        3.3.1 參數(shù)優(yōu)化及結(jié)構(gòu)剪枝
    3.4 本章小結(jié)
第4章 仿真實(shí)驗(yàn)與結(jié)果分析
    4.1 基準(zhǔn)數(shù)據(jù)集實(shí)驗(yàn)結(jié)果與分析
        4.1.1 實(shí)驗(yàn)運(yùn)行環(huán)境
        4.1.2 結(jié)果和分析
    4.2 仿真實(shí)驗(yàn)數(shù)據(jù)預(yù)處理
        4.2.1 SLIC超像素分割
        4.2.2 數(shù)據(jù)標(biāo)準(zhǔn)化及白化
    4.3 仿真實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)運(yùn)行環(huán)境
        4.3.2 結(jié)果和分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 全文工作總結(jié)
    5.2 未來(lái)研究展望
參考文獻(xiàn)
作者簡(jiǎn)介及科研成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]融合FPN的Faster R-CNN復(fù)雜背景下棉田雜草高效識(shí)別方法[J]. 彭明霞,夏俊芳,彭輝.  農(nóng)業(yè)工程學(xué)報(bào). 2019(20)
[2]淺談國(guó)內(nèi)外雜草控制方法[J]. 呂威,董黎,孫宇涵,李云.  中國(guó)農(nóng)學(xué)通報(bào). 2018(11)
[3]冬油菜田雜草探測(cè)光譜傳感器設(shè)計(jì)與應(yīng)用[J]. 李林,魏新華,毛罕平,吳姝.  農(nóng)業(yè)工程學(xué)報(bào). 2017(18)
[4]田間作物雜草識(shí)別的最優(yōu)遙感測(cè)量尺度[J]. 李穎,陳懷亮.  農(nóng)業(yè)工程學(xué)報(bào). 2013(16)
[5]基于多光譜圖像和數(shù)據(jù)挖掘的多特征雜草識(shí)別方法[J]. 趙川源,何東健,喬永亮.  農(nóng)業(yè)工程學(xué)報(bào). 2013(02)
[6]基于圖像處理和蟻群優(yōu)化的形狀特征選擇與雜草識(shí)別[J]. 李先鋒,朱偉興,紀(jì)濱,劉波,馬長(zhǎng)華.  農(nóng)業(yè)工程學(xué)報(bào). 2010(10)
[7]雜草識(shí)別中顏色特征和閾值分割算法的優(yōu)化[J]. 毛罕平,胡波,張艷誠(chéng),錢丹,陳樹人.  農(nóng)業(yè)工程學(xué)報(bào). 2007(09)
[8]基于紋理和位置特征的麥田雜草識(shí)別方法[J]. 曹晶晶,王一鳴,毛文華,張小超.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2007(04)
[9]基于機(jī)器視覺(jué)的田間雜草識(shí)別技術(shù)研究進(jìn)展[J]. 毛文華,王一鳴,張小超,王月青.  農(nóng)業(yè)工程學(xué)報(bào). 2004(05)



本文編號(hào)：3554787