棉花是我國主要的農(nóng)作物、經(jīng)濟作物,棉花在生長過程中會不斷地受到病蟲害的侵襲,我國棉花每年大約有15%的經(jīng)濟損失源于病蟲害。目前針對棉花病蟲害的識別主要依賴于人工識別,勞動力成本大,識別過程中主觀性因素較強。開發(fā)一種智能識別棉花病蟲害的軟件系統(tǒng)有著十分重要的意義。為適應智慧農(nóng)業(yè)發(fā)展需要,解決我國病蟲害棉葉檢測識別效率低,可靠性差的問題,結合機器學習方法和棉花病蟲害發(fā)生特點本研究主要做了以下內(nèi)容:（1）采集健康、紅葉莖枯、紅蜘蛛、枯萎、黃萎、雙斑螢葉甲棉花葉片圖像各975張作為樣本集。訓練不同的機器學習模型:支持向量機模型、極限學習機模型、卷積神經(jīng)網(wǎng)絡模型。（2）對三種機器學習模型進行對比研究分析得出:支持向量機模型在核函數(shù)為多項式核函數(shù)時,模型對病蟲害棉葉圖像的融合特征（灰度共生矩陣+Hu7+顏色直方圖）的訓練準確率為:99.99%,測試準確率為:96.11%;激活函數(shù)為Sigmoid的極限學習機在隱層神經(jīng)元數(shù)目為200時對病蟲害棉葉顏色直方圖特征的訓練準確率為:98.33%,測試準確率為:95.55%;遷移學習方式下學習率取0.001的微調CaffeNet模型對病蟲害棉葉的訓練準確率為... 

【文章來源】：石河子大學新疆維吾爾自治區(qū) 211工程院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

近十年全國棉花及新疆棉花單位面積產(chǎn)量統(tǒng)計圖

機器學習結合Android手機的病蟲害棉葉識別研究7之后再利用Caffe深度學習對AlexNet以及CaffeNet網(wǎng)絡模型進行微調遷移訓練，確定訓練模型的主要參數(shù)。并且對所得模型進行測試；最后將訓練所得的機器學習模型進行比較，以模型訓練的準確率為標準對三種機器學習方法（支持向量機、極限學習機、卷積神經(jīng)網(wǎng)絡）進行比較得到較優(yōu)的適用于病蟲害棉葉識別的模型。（2）主功能界面的設計開發(fā)利用Androidstudio開發(fā)圖形用戶界面，滿足用戶需求。（3）模型移植使用JNI技術，并利用OpenCV中的Dnn模塊將本論文中訓練好的較優(yōu)機器學習模型移植于Android手機。實現(xiàn)病蟲害棉葉圖像識別。本論文以棉花為主要研究對象，圍繞機器學習及移動平臺開發(fā)相關技術，采取理論分析，模型測試與試驗相結合的方法開展研究。通過由淺入深、循序漸進、分步推進的方式使得本論文包含的復雜科學問題得以解決，并最終形成一個完整、系統(tǒng)的軟件。本論文的總體研究設計如圖1-2所示：首先，對采集的病蟲害棉葉進行顏色特征提取，并在此基礎上建立病蟲害棉葉的數(shù)據(jù)庫模型以為后續(xù)的機器學習模型提供數(shù)據(jù)支撐。其次，對預處理后的數(shù)據(jù)進行標簽分類，借助深度學習（機器學習方法中的一種）框架搭建并訓練得到適用于病蟲害棉葉識別的機器學習模型。再次，在以上的研究工作基礎上，利用AndroidStudio平臺開發(fā)軟件所需的圖形用戶界面并將訓練好的深度學習模型移植于識別軟件，最終完成病蟲害棉葉識別軟件的開發(fā)。并且對所建立的模型進行對比試驗驗證。圖1-2總體研究設計Fig.1-2Overallstudydesign

技術路線

【參考文獻】：
期刊論文
[1]基于自適應判別深度置信網(wǎng)絡的棉花病蟲害預測[J]. 王獻鋒,張傳雷,張善文,朱義海.  農(nóng)業(yè)工程學報. 2018(14)
[2]基于卷積神經(jīng)網(wǎng)絡的草莓葉部白粉病病害識別[J]. 楊晉丹,楊濤,苗騰,朱超,沈秋采,彭宇飛,梅珀彰,黨雨晴.  江蘇農(nóng)業(yè)學報. 2018(03)
[3]基于SVM和區(qū)域生長結合算法的南方主要蔬菜害蟲分類識別（英文）[J]. 潘春華,肖德琴,林探宇,王春桃.  農(nóng)業(yè)工程學報. 2018(08)
[4]深度學習文獻綜述[J]. 常立娜.  開放學習研究. 2018(02)
[5]機器學習技術在療養(yǎng)數(shù)據(jù)挖掘中的應用初探[J]. 李盼盼,譚慶平,曾平,王重,張浩宇,謝勤政,顏穎.  中國醫(yī)療設備. 2018(04)
[6]新媒體聯(lián)盟地平線報告:2017高等教育版[J]. S·亞當斯貝克爾,M·卡明斯,A·戴維斯,A·弗里曼,C·霍爾給辛格,V·安娜塔娜額亞婻,殷丙山,高茜,任直,劉鑫馳,曹紅巖,王濟軍,趙廣元,邵恒.  開放學習研究. 2017(02)
[7]基于圖像顯著性分析與卷積神經(jīng)網(wǎng)絡的茶園害蟲定位與識別[J]. 楊國國,鮑一丹,劉子毅.  農(nóng)業(yè)工程學報. 2017(06)
[8]基于機器學習的落葉松毛蟲發(fā)生面積預測模型[J]. 張文一,景天忠,嚴善春.  北京林業(yè)大學學報. 2017(01)
[9]基于分層卷積深度學習系統(tǒng)的植物葉片識別研究[J]. 張帥,淮永建.  北京林業(yè)大學學報. 2016(09)
[10]新媒體聯(lián)盟地平線報告:2016高等教育版[J]. L·約翰遜,S·亞當斯·貝克爾,M·卡明斯,V·埃斯特拉達,A·弗里曼,C·霍爾,殷丙山,高茜,趙廣元,李院春,李志強,馮振振.  開放學習研究. 2016(02)

博士論文
[1]棉蚜發(fā)生量信息快速獲取方法與監(jiān)測模型的建立研究[D]. 張國龍.石河子大學 2017

碩士論文
[1]基于智能手機黃曲霉菌毒素的快速檢測[D]. 張利永.電子科技大學 2019
[2]基于卷積神經(jīng)網(wǎng)絡的病蟲害檢測算法及移動客戶端的研究與實現(xiàn)[D]. 杜冉.安徽大學 2018
[3]基于卷積神經(jīng)網(wǎng)絡的可見光圖像農(nóng)作物病蟲害的檢測[D]. 衛(wèi)智熠.哈爾濱工業(yè)大學 2017
[4]基于Android的黃瓜病蟲害檢測系統(tǒng)[D]. 郭彥麟.寧夏大學 2017
[5]基于決策樹的棉花病蟲害識別研究[D]. 王興國.華北水利水電大學 2017
[6]基于Android的水稻病蟲害圖像識別與診斷系統(tǒng)的研究[D]. 張永玲.浙江理工大學 2018
[7]基于Android的棉花紅蜘蛛蟲害檢測技術研究[D]. 王靜.石河子大學 2016
[8]基于iOS的棉蚜蟲害信息采集與主動服務系統(tǒng)研發(fā)[D]. 周文杰.石河子大學 2016
[9]基于Android移動終端的煙草病蟲害圖像智能識別系統(tǒng)研究[D]. 吳子龍.云南農(nóng)業(yè)大學 2015
[10]基于Android的手機農(nóng)業(yè)專家系統(tǒng)的設計與實現(xiàn)[D]. 王安煒.山東大學 2011



本文編號：3555429