水稻是我國最主要的糧食作物之一,在國家農(nóng)業(yè)生產(chǎn)中占有極其重要的地位。全中國水稻常年種植面積約為3000萬公頃,年產(chǎn)量達(dá)2000億公斤。水稻的病害種類非常多,對水稻產(chǎn)量影響非常大。紋枯病是水稻種植過程中常見的病害之一,具有發(fā)病重、危害大和易被種植戶忽視的特點,近年來水稻紋枯病的危害程度越來越嚴(yán)重,極大地影響了水稻產(chǎn)量和大米質(zhì)量。因此,如何高效、準(zhǔn)確的對水稻紋枯病病害進(jìn)行識別是目前水稻種植戶急需要解決的難題。我國傳統(tǒng)的識別水稻紋枯病病害的方法是通過植保專家利用肉眼去判斷,這種傳統(tǒng)的識別方法周期長且主觀判斷性強(qiáng),不利于水稻紋枯病病害的及時防治。隨著計算機(jī)硬件處理速度的快速提高和軟件技術(shù)的進(jìn)步,人工智能,圖像識別,大數(shù)據(jù)以及深度學(xué)習(xí)技術(shù)都被廣泛的應(yīng)用在農(nóng)業(yè)領(lǐng)域,尤其在農(nóng)作物病害診斷識別領(lǐng)域研究深入。當(dāng)水稻植株遭遇病害時,植株的生理結(jié)構(gòu)和形態(tài)特征都會發(fā)生變化,例如:植株葉片變色,腐爛,形變等等。因此,本文以北方寒地水稻紋枯病病害圖像為研究對象,利用深度學(xué)習(xí)技術(shù)對水稻紋枯病進(jìn)行識別研究,本研究對水稻產(chǎn)量的提高和國家糧食安全有著非常重要的意義。本文利用深度學(xué)習(xí)技術(shù),結(jié)合支持向量機(jī)和粒子群優(yōu)化算法對水...

【文章頁數(shù)】：75 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 前言
    1.1 研究的目的和意義
        1.1.1 研究意義
        1.1.2 研究目的
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 深度學(xué)習(xí)的國內(nèi)外研究現(xiàn)狀及趨勢
        1.2.2 水稻病害識別的國內(nèi)外研究現(xiàn)狀及趨勢
    1.3 研究目標(biāo)、內(nèi)容和技術(shù)路線
        1.3.1 研究目標(biāo)
        1.3.2 研究內(nèi)容
        1.3.3 研究方案和技術(shù)路線
2 深度學(xué)習(xí)基礎(chǔ)理論
    2.1 傳統(tǒng)神經(jīng)網(wǎng)絡(luò)淺層學(xué)習(xí)
        2.1.1 BP神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型
        2.1.2 誤差反向傳播算法
    2.2 深度學(xué)習(xí)模型和算法
        2.2.1 從淺層學(xué)習(xí)到深層學(xué)習(xí)
        2.2.2 深度學(xué)習(xí)模型
    2.3 受限玻爾茲曼機(jī)
    2.4 softmax分類器
    2.5 卷積神經(jīng)網(wǎng)絡(luò)
    2.6 深度信念網(wǎng)絡(luò)
    2.7 本章小結(jié)
3 實驗平臺的搭建和實驗數(shù)據(jù)獲取
    3.1 實驗平臺的搭建
    3.2 實驗數(shù)據(jù)的獲取
4 基于深度信念網(wǎng)絡(luò)的水稻紋枯病識別
    4.1 水稻紋枯病的圖像數(shù)據(jù)預(yù)處理
        4.1.1 高斯濾波
        4.1.2 中值濾波
        4.1.3 Sobel算子邊緣檢測
        4.1.4 主成分分析
    4.2 深度信念網(wǎng)絡(luò)算法及模型設(shè)計
        4.2.1 深度信念網(wǎng)絡(luò)學(xué)習(xí)算法
        4.2.2 深度信念網(wǎng)絡(luò)模型設(shè)計
    4.3 粒子群優(yōu)化的支持向量機(jī)方案
        4.3.1 SVM
        4.3.2 PSO算法
        4.3.3 粒子群優(yōu)化的支持向量機(jī)的模型
        4.3.4 粒子群優(yōu)化的支持向量機(jī)的算法
    4.4 基于粒子群優(yōu)化的深度信念網(wǎng)絡(luò)的水稻紋枯病識別
    4.5 實驗結(jié)果與分析
    4.6 本章小結(jié)
5 AlexNet和 Google Net模型的水稻紋枯病識別
    5.1 AlexNet模型
    5.2 GoogleNet模型
    5.3 Python+TensorFlow環(huán)境的搭建
    5.4 基于AlexNet和 GoogleNet模型的水稻紋枯病識別
    5.5 實驗結(jié)果與分析
    5.6 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
致謝
個人簡歷
    個人情況
    教育背景
    科研經(jīng)歷
    在學(xué)期間發(fā)表論文



本文編號：3854346