本文主要研究内容
作者徐哲（2019）在《基于深度学习的农作物叶片识别系统的设计与分析》一文中研究指出：自古以来我们国家都是注重农业生产的大国,所以对农作物的识别监控,以及更加进一步的科学管理等方法对农作物的良好生长及增加产量有着非同寻常的意义。在此情况下,则需要实现一个用计算机可以自动识别分类农作物的稳定系统。同时移动智能终端的逐渐普及和蓬勃发展,对相应的识别技术要求逐渐提高,因此农作物的准确识别同样具有一定的商业价值。传统的叶片识别方法包括预处理、特征提取以及特征匹配等主要过程。由于叶片形状的多样性、相似性、光照差别、背景因素等问题,会严重影响到分类的效果。因为是人工对叶片进行特征提取并且对叶片进行标注,所以要花费大量的时间和精力。与此同时在人工操作时也会产生误差导致影响到最终识别的准确率。近些年来借于人工神经网络的迅速发展,在植物叶片识别上起到了重要的作用。人工神经网络的优点有:准确率较高的分类,有比较强的学习能力,对于图像的噪声有较好的容错性等。例如,BP神经网络在植物叶片识别上要比传统的叶片识别方法准确率更高。通过将图像进行预处理,之后在对输入后的数据进行降维,减少大量的计算,最后由全连接层对降维后的数据进行自主训练形成分类。但是当BP网络在自主训练数据时对数据的处理次数过多,就会使整个网络的收敛速度变慢甚至形成过拟合现象,对植物叶片识别的准确率降低。近些年来深度学习在图像识别方向上有着越来越重要的地位,卷积神经网络为农作物叶片识别技术提供了更好的解决方案。本文中提出在农作物叶片识别中使用卷积神经网络的分类识别方法。对比于传统方法,将特征提取与分类器进行整理简化,减少了外界因素对特征提取的诸多影响。在创建数据集时,最初直接拍摄了24类农作物近8000张左右的照片,在经过数据增强以及去重后变为15000左右,能更加全面的对农作物叶片进行展示。之后选择5种常用卷积神经网络模型进行适当改进,减少过拟合情况的发生,并且减少了模型的参数数量。在分别测试时取得了较好的准确率。最后在模型融合技术的基础上,将这5种改进后的模型融合成一个模型。在同样的数据集下又取得了相比于单个模型更高的准确率。在对比实验中,本人选用了Densenet神经网络,在相同的实验环境和数据集下,本文提出的融合后的模型准确率高于Densenet神经网络,达到了96.12%。
Abstract
zi gu yi lai wo men guo jia dou shi zhu chong nong ye sheng chan de da guo ,suo yi dui nong zuo wu de shi bie jian kong ,yi ji geng jia jin yi bu de ke xue guan li deng fang fa dui nong zuo wu de liang hao sheng chang ji zeng jia chan liang you zhao fei tong xun chang de yi yi 。zai ci qing kuang xia ,ze xu yao shi xian yi ge yong ji suan ji ke yi zi dong shi bie fen lei nong zuo wu de wen ding ji tong 。tong shi yi dong zhi neng zhong duan de zhu jian pu ji he peng bo fa zhan ,dui xiang ying de shi bie ji shu yao qiu zhu jian di gao ,yin ci nong zuo wu de zhun que shi bie tong yang ju you yi ding de shang ye jia zhi 。chuan tong de xie pian shi bie fang fa bao gua yu chu li 、te zheng di qu yi ji te zheng pi pei deng zhu yao guo cheng 。you yu xie pian xing zhuang de duo yang xing 、xiang shi xing 、guang zhao cha bie 、bei jing yin su deng wen ti ,hui yan chong ying xiang dao fen lei de xiao guo 。yin wei shi ren gong dui xie pian jin hang te zheng di qu bing ju dui xie pian jin hang biao zhu ,suo yi yao hua fei da liang de shi jian he jing li 。yu ci tong shi zai ren gong cao zuo shi ye hui chan sheng wu cha dao zhi ying xiang dao zui zhong shi bie de zhun que lv 。jin xie nian lai jie yu ren gong shen jing wang lao de xun su fa zhan ,zai zhi wu xie pian shi bie shang qi dao le chong yao de zuo yong 。ren gong shen jing wang lao de you dian you :zhun que lv jiao gao de fen lei ,you bi jiao jiang de xue xi neng li ,dui yu tu xiang de zao sheng you jiao hao de rong cuo xing deng 。li ru ,BPshen jing wang lao zai zhi wu xie pian shi bie shang yao bi chuan tong de xie pian shi bie fang fa zhun que lv geng gao 。tong guo jiang tu xiang jin hang yu chu li ,zhi hou zai dui shu ru hou de shu ju jin hang jiang wei ,jian shao da liang de ji suan ,zui hou you quan lian jie ceng dui jiang wei hou de shu ju jin hang zi zhu xun lian xing cheng fen lei 。dan shi dang BPwang lao zai zi zhu xun lian shu ju shi dui shu ju de chu li ci shu guo duo ,jiu hui shi zheng ge wang lao de shou lian su du bian man shen zhi xing cheng guo ni ge xian xiang ,dui zhi wu xie pian shi bie de zhun que lv jiang di 。jin xie nian lai shen du xue xi zai tu xiang shi bie fang xiang shang you zhao yue lai yue chong yao de de wei ,juan ji shen jing wang lao wei nong zuo wu xie pian shi bie ji shu di gong le geng hao de jie jue fang an 。ben wen zhong di chu zai nong zuo wu xie pian shi bie zhong shi yong juan ji shen jing wang lao de fen lei shi bie fang fa 。dui bi yu chuan tong fang fa ,jiang te zheng di qu yu fen lei qi jin hang zheng li jian hua ,jian shao le wai jie yin su dui te zheng di qu de zhu duo ying xiang 。zai chuang jian shu ju ji shi ,zui chu zhi jie pai she le 24lei nong zuo wu jin 8000zhang zuo you de zhao pian ,zai jing guo shu ju zeng jiang yi ji qu chong hou bian wei 15000zuo you ,neng geng jia quan mian de dui nong zuo wu xie pian jin hang zhan shi 。zhi hou shua ze 5chong chang yong juan ji shen jing wang lao mo xing jin hang kuo dang gai jin ,jian shao guo ni ge qing kuang de fa sheng ,bing ju jian shao le mo xing de can shu shu liang 。zai fen bie ce shi shi qu de le jiao hao de zhun que lv 。zui hou zai mo xing rong ge ji shu de ji chu shang ,jiang zhe 5chong gai jin hou de mo xing rong ge cheng yi ge mo xing 。zai tong yang de shu ju ji xia you qu de le xiang bi yu chan ge mo xing geng gao de zhun que lv 。zai dui bi shi yan zhong ,ben ren shua yong le Densenetshen jing wang lao ,zai xiang tong de shi yan huan jing he shu ju ji xia ,ben wen di chu de rong ge hou de mo xing zhun que lv gao yu Densenetshen jing wang lao ,da dao le 96.12%。
论文参考文献
论文详细介绍
论文作者分别是来自吉林大学的徐哲，发表于刊物吉林大学2019-06-25论文，是一篇关于农作物论文,叶片识别论文,深度学习论文,卷积神经网络论文,模型融合论文,吉林大学2019-06-25论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自吉林大学2019-06-25论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：农作物论文; 叶片识别论文; 深度学习论文; 卷积神经网络论文; 模型融合论文; 吉林大学2019-06-25论文;