小麥計(jì)數(shù)一直是我國乃至世界進(jìn)行地區(qū)產(chǎn)量估計(jì)與小麥表型分析的重要組成部分,由于前期準(zhǔn)確預(yù)測小麥的產(chǎn)量主要依靠農(nóng)業(yè)工作者深入田間進(jìn)行人工計(jì)數(shù),這種計(jì)數(shù)方法不僅費(fèi)時(shí),而且數(shù)據(jù)具有很強(qiáng)的主觀性,統(tǒng)計(jì)的方法也缺乏統(tǒng)一的規(guī)范,這些很不利于國家準(zhǔn)確地進(jìn)行小麥產(chǎn)量的預(yù)估和分析,進(jìn)而影響國家對于小麥生產(chǎn)的指導(dǎo)和決策,因而自動小麥計(jì)數(shù)得到了科研者的廣泛關(guān)注。自動小麥計(jì)數(shù)是計(jì)算機(jī)視覺的一大挑戰(zhàn),有效的小麥計(jì)數(shù)方法需要解決小麥圖像中背景復(fù)雜、目標(biāo)粘連嚴(yán)重、存在相互遮擋、光照變化不均勻等問題。傳統(tǒng)的小麥計(jì)數(shù)大多數(shù)是通過手動提取一些特征信息,如顏色特征,形狀特征,梯度直方圖特征等構(gòu)建小麥的麥穗模型,雖然這些特征信息能夠大致識別麥穗的位置,但在遇到復(fù)雜背景和光照變化等情況下會使模型的識別效果變差。隨著深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）的興起和其強(qiáng)大的特征提取能力,它被大量農(nóng)業(yè)科研者所研究,并將其應(yīng)用到農(nóng)業(yè)的各個(gè)方面。本文為了更好地實(shí)現(xiàn)小麥計(jì)數(shù),對深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了研究,并在此基礎(chǔ)上構(gòu)建了多尺度殘差深度卷積神經(jīng)網(wǎng)絡(luò)用于小麥計(jì)數(shù)任務(wù),提高了小麥計(jì)數(shù)的精度。同時(shí),自然場景中的麥穗圖像存在目標(biāo)互相遮擋問題,深度卷積生成對抗網(wǎng)... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

嚴(yán)重遮擋

安徽大學(xué)碩士學(xué)位論文5圖1.1嚴(yán)重遮擋Fig.1.1Severeocclusion（2）密度分布不一。由于小麥存在著播種隨機(jī)性，生長不確定性和土壤的肥沃性等不同因素造成同一片區(qū)域小麥的密度分布不一。如圖1.2所示，能夠直觀的反應(yīng)小麥生長分布的不均勻性。圖1.2密度分布不一Fig.1.2Differentdensitydistributions（3）透視視角。相機(jī)在田間拍攝大面積小麥過程中會存在著視角透視現(xiàn)象，如圖1.3所示，那些距離相機(jī)較近的小麥可能會占有幾十上百個(gè)像素點(diǎn)，相反，距離相機(jī)較遠(yuǎn)的小麥可能只占有幾個(gè)像素點(diǎn)。

第一章緒論6圖1.3透視視角Fig.1.3Perspective（4）光照等外界因素。自然場景中經(jīng)常會遇到包括天氣和光照強(qiáng)度等不可抗拒的自然因素導(dǎo)致獲取的小麥圖像中的小麥不易被識別，進(jìn)而大大降低算法的精度。如圖1.4所示。圖1.4光照等外界因素Fig.1.4Externalfactorssuchaslighting1.3本文主要研究內(nèi)容隨著計(jì)算機(jī)視覺的發(fā)展和計(jì)算機(jī)硬件的快速迭代，都為小麥計(jì)數(shù)提供了新的方法和途徑，同時(shí)計(jì)算性能的提升也讓深度學(xué)習(xí)等方法在小麥計(jì)數(shù)以及表型分析等領(lǐng)域的應(yīng)用逐漸加深。各種深度學(xué)習(xí)算法的提出和變異都極大的推動了小麥計(jì)數(shù)的發(fā)展。小麥計(jì)數(shù)算法的優(yōu)劣直接影響小麥計(jì)數(shù)的精度，進(jìn)而影響到預(yù)測小麥產(chǎn)量和表型分析等現(xiàn)實(shí)應(yīng)用，

【參考文獻(xiàn)】：
期刊論文
[1]基于圖像處理技術(shù)的大田麥穗計(jì)數(shù)![J]. 劉濤,孫成明,王力堅(jiān),仲曉春,朱新開,郭文善.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2014(02)



本文編號：3601669