基于卷积神经网络的大豆病害识别研究

发布时间：2020-03-30 20:34

【摘要】：在全世界各国,农作物病害都会对作物产量造成严重影响,如何精准识别不同种类病害、科学诊断出病害是智慧农业的重要研究方向。本文主要以大豆病害里最常见的病毒病、白粉病、霜霉病、褐斑病和灰斑病五种病害为研究对象,进行病害自动识别研究。目前针对农作物病害识别多是以人工提取颜色、形状和光谱等特征为主,这些特征容易受人为和自然环境影响,造成识别率的降低。针对上述问题,本文采用卷积神经网络的特征学习方法,对病害特征进行自动提取学习,并通过改进模型和压缩模型策略,最终在更小的模型尺寸下达到了较好效果,为大豆病害的自动识别在低端移动平台的应用提供理论支持。本文主要研究:(1)构建了大豆病害模型训练数据集。通过增强、翻转和加噪点等样本扩充方法,将五种病害数据集扩充到3430张,弥补了一些小样本训练的缺陷。针对病害样本量普遍较少的问题,提出了一种基于K-means的预训练卷积神经网络模型,通过矢量量化思想,构建特征表达字典,将聚类结果作为Conv1的权值,并研究构造了多种卷积神经网络模型,分析权值分布特点,讨论最优K值、Patch块大小、激活函数和不同初始化方式对网络的影响。探究了模型结合Dropout稀疏数据增强策略来强化特征,解决了过拟合问题,以及网络深度对K-means预训练效果的影响等。该模型解决了随机初始化权值的缺陷,最终,在小样本的大豆病害下,验证了 K-means预训练方法的有效性,准确率达到96.7%。(2)针对模型大、收敛速度慢、稳定性不高的问题,在基于无监督卷预训练积神经网络的基础上,提出了基于批标准化的小型化网络架构模型。通过加入BN层,调节其在激活函数前的数值分布,解决了收敛速度慢和神经元坏死等问题。根据卷积神经网络架构特点,提出权值裁剪和架构压缩策略,通过设置阈值过滤掉微小权值,并研究设置不同的卷积核数目和尺寸、不同的FC节点数等来减少冗余,在大豆病害识别模型上验证效果,最终将参数内存压缩到9.6 M的情况下,准确率快速收敛到94.6%,保证精度的同时大大缩减了模型尺寸与计算量,该模型小快准的优点解决了当下模型普遍内存和计算量太大,无法应用到移动端及农业机器人等低端运算平台的问题。
【学位授予单位】：安徽大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S435.651;TP183

【参考文献】

相关期刊论文 前10条

1 黄双萍;孙超;齐龙;马旭;汪文娟;;基于深度卷积神经网络的水稻穗瘟病检测方法[J];农业工程学报;2017年20期

2 孙俊;谭文军;毛罕平;武小红;陈勇;汪龙;;基于改进卷积神经网络的多种植物叶片病害识别[J];农业工程学报;2017年19期

3 刘阗宇;冯全;;基于卷积神经网络的葡萄叶片检测[J];西北大学学报(自然科学版);2017年04期

4 刘庆;唐贤伦;张娜;;基于非监督预训练的结构优化卷积神经网络[J];工程科学与技术;2017年S2期

5 邹月娴;余嘉胜;陈泽晗;陈锦;王毅;;图像分类卷积神经网络的特征选择模型压缩方法（英文）[J];控制理论与应用;2017年06期

6 秦丰;刘东霞;孙炳达;阮柳;马占鸿;王海光;;基于图像处理技术的四种苜蓿叶部病害的识别[J];中国农业大学学报;2016年10期

7 马伟;王秀;祁力钧;;基于可见-近红外光谱分析的植株叶片病害光谱识别研究[J];光谱学与光谱分析;2016年S1期

8 李彦冬;郝宗波;雷航;;卷积神经网络研究综述[J];计算机应用;2016年09期

9 李沐慧;王媛媛;陈井生;颜秀娟;刘晓宇;段玉玺;朱晓峰;陈立杰;;2015年东北地区大豆田病害种类与危害程度调查研究[J];大豆科学;2016年04期

10 胡敏;陈红波;许良凤;谢成军;江河;;基于颜色和纹理特征的黄瓜病害识别算法[J];电子测量与仪器学报;2015年07期

相关博士学位论文 前2条

1 谭文学;基于机器学习的作物病害图像处理及病变识别方法研究[D];北京工业大学;2016年

2 田杰;基于图像分析的小麦叶部病害识别方法研究[D];西北农林科技大学;2015年

相关硕士学位论文 前4条

1 谢宝剑;基于卷积神经网络的图像分类方法研究[D];合肥工业大学;2015年

2 郝丽;基于图像处理的大豆病害识别方法研究[D];浙江理工大学;2015年

3 YUSUF BABANGIDA LAWAL“巴邦齐达”;基于高光谱成像技术的烟叶病害识别方法研究[D];浙江大学;2012年

4 王晓丽;基于近红外光谱技术的水稻叶部病害诊断模型构建[D];中国农业科学院;2011年

，

本文编号：2608027