蘋果葉片病害識別及品質預測管理系統(tǒng)研發(fā)
發(fā)布時間：2020-12-07 08:51
近年來,氣候變化對蘋果品質的影響程度逐漸增強。針對氣象因素進行科學的品質預測對于果農收入、果品供求、市場流通等具有重要作用。蘋果病害時常發(fā)生,但由于果農缺乏病害識別與防控技術,易導致錯判蘋果病害種類而不當施藥,造成經濟損失。若及早發(fā)現(xiàn)并診斷病害種類,進行精準防控,對保障我國蘋果品質具有重要作用。隨著機器學習、深度學習的不斷發(fā)展,借助算法有效地進行科學預測成為可能。本文針對蘋果品質預測、圖像識別模型等問題展開研究,主要研究內容及研究成果如下:(1)針對堆疊稀疏自動編碼器訓練時間較長的問題,提出了一種基于K均值聚類優(yōu)化堆疊稀疏自動編碼器模型。該模型共有2點改進:在傳統(tǒng)堆疊稀疏自動編碼器模型的基礎上,引入了K均值聚類算法和并行級聯(lián)學習機制,前者通過對輸入層及各隱層的輸入向量進行聚類,生成K個子類并行輸入到K個稀疏自動編碼器中訓練,減少并行稀疏自動編碼器的輸入數(shù)據(jù)規(guī)模;后者通過并行級聯(lián)學習,有效地融合并行稀疏自動編碼器的權值參數(shù),加快模型運行速度。該改進模型與最近提出的堆疊降噪稀疏自動編碼器相比具有更高的識別準確率,且極大地減少了模型的預訓練時間,加快模型開發(fā)速度。實驗結果表明傳統(tǒng)訓練方法存在...
【文章來源】：山東農業(yè)大學山東省
【文章頁數(shù)】：83 頁
【學位級別】：碩士
【部分圖文】：
自動編碼器結構圖
蘋果葉片病害識別及品質預測管理系統(tǒng)研發(fā)由于圖像識別任務較難，淺層網絡不能較好地提取充分多的特征，所以需要利用多個稀疏自動編碼器進行特征蒸餾，以更好地獲得類間區(qū)分度高的特征。堆疊稀疏自動編碼器（Stacked Sparse AutoEncoder, SSAE）是一種典型的深度學習模型，通過將最后一層稀疏自動編碼器連接分類器或者回歸器，以達到監(jiān)督學習的目的。其訓練過程包括兩部分：無監(jiān)督逐層預訓練階段和微調階段。其基本結構如圖 2所 示。圖中左邊為預訓練階段，右邊為微調階段。
(a)未加入 Dropout策略的結構圖(b)加入 Dropout 策略的結構圖(a)The structure without Dropout strategy (b)The structure with Dropout strategy圖 3 有無 Dropout策略的網絡結構圖Fig.3 The network structure with and without Dropout strategy卷積神經網絡深度越深，需要訓練的參數(shù)越多，常見的優(yōu)化函數(shù)有隨機梯。卷積神經網絡的訓練過程通常是將卷積網絡看成一個整體，利用優(yōu)化函微調操作，直至模型接近收斂為止。章小結本章主要介紹支持向量機回歸相關原理及求解過程，以及常見的深度學習堆疊自動編碼器、深度卷積神經網絡等模型的相關理論和基本結構。
【參考文獻】：
期刊論文
[1]山西:組團參加全國蘋果大數(shù)據(jù)發(fā)展應用協(xié)作組會議和全國蘋果大數(shù)據(jù)發(fā)展應用高峰論壇[J]. 王秋萍. 中國果業(yè)信息. 2018(11)
[2]英國:氣候變化可能改變蘋果生產[J]. 禾本. 中國果業(yè)信息. 2018(11)
[3]基于改進VGG卷積神經網絡的棉花病害識別模型[J]. 張建華,孔繁濤,吳建寨,翟治芬,韓書慶,曹姍姍. 中國農業(yè)大學學報. 2018(11)
[4]近年我國重要蘋果病害發(fā)生概況及研究進展[J]. 王樹桐,王亞南,曹克強. 植物保護. 2018(05)
[5]基于卷積神經網絡與遷移學習的油茶病害圖像識別[J]. 龍滿生,歐陽春娟,劉歡,付青. 農業(yè)工程學報. 2018(18)
[6]氣候變化對新疆蘋果種植氣候適宜性的影響[J]. 張山清,普宗朝,李新建,吉春容. 中國農業(yè)資源與區(qū)劃. 2018(08)
[7]基于稀疏自動編碼器和支持向量機的圖像分類[J]. 劉芳,路麗霞,王洪娟,王鑫. 系統(tǒng)仿真學報. 2018(08)
[8]蘋果產業(yè)大數(shù)據(jù)應用體系架構設計[J]. 程述漢,畢燕東,束懷瑞. 落葉果樹. 2018(03)
[9]一種基于卷積神經網絡的小麥病害識別方法[J]. 張航,程清,武英潔,王亞新,張承明,殷復偉. 山東農業(yè)科學. 2018(03)
[10]卷積神經網絡在黃瓜葉部病害識別中的應用[J]. 張善文,謝澤奇,張晴晴. 江蘇農業(yè)學報. 2018(01)
碩士論文
[1]基于深度卷積網絡的農業(yè)病蟲害圖像分類識別應用[D]. 顧文璇.武漢輕工大學 2017
[2]基于全噪聲自動編碼器的深度神經網絡優(yōu)化算法[D]. 夏林.武漢科技大學 2016
[3]基于HDFS的多屬性圖片存儲的設計與實現(xiàn)[D]. 孫德輝.華中科技大學 2016
[4]多任務多類特權信息支持向量機[D]. 戢友.華東師范大學 2012
[5]用簡化的孿生支持向量回歸機同步學習函數(shù)及其導數(shù)[D]. 付嵐.西安電子科技大學 2012
本文編號：2902976
【文章來源】：山東農業(yè)大學山東省
【文章頁數(shù)】：83 頁
【學位級別】：碩士
【部分圖文】：
自動編碼器結構圖
蘋果葉片病害識別及品質預測管理系統(tǒng)研發(fā)由于圖像識別任務較難，淺層網絡不能較好地提取充分多的特征，所以需要利用多個稀疏自動編碼器進行特征蒸餾，以更好地獲得類間區(qū)分度高的特征。堆疊稀疏自動編碼器（Stacked Sparse AutoEncoder, SSAE）是一種典型的深度學習模型，通過將最后一層稀疏自動編碼器連接分類器或者回歸器，以達到監(jiān)督學習的目的。其訓練過程包括兩部分：無監(jiān)督逐層預訓練階段和微調階段。其基本結構如圖 2所 示。圖中左邊為預訓練階段，右邊為微調階段。
(a)未加入 Dropout策略的結構圖(b)加入 Dropout 策略的結構圖(a)The structure without Dropout strategy (b)The structure with Dropout strategy圖 3 有無 Dropout策略的網絡結構圖Fig.3 The network structure with and without Dropout strategy卷積神經網絡深度越深，需要訓練的參數(shù)越多，常見的優(yōu)化函數(shù)有隨機梯。卷積神經網絡的訓練過程通常是將卷積網絡看成一個整體，利用優(yōu)化函微調操作，直至模型接近收斂為止。章小結本章主要介紹支持向量機回歸相關原理及求解過程，以及常見的深度學習堆疊自動編碼器、深度卷積神經網絡等模型的相關理論和基本結構。
【參考文獻】：
期刊論文
[1]山西:組團參加全國蘋果大數(shù)據(jù)發(fā)展應用協(xié)作組會議和全國蘋果大數(shù)據(jù)發(fā)展應用高峰論壇[J]. 王秋萍. 中國果業(yè)信息. 2018(11)
[2]英國:氣候變化可能改變蘋果生產[J]. 禾本. 中國果業(yè)信息. 2018(11)
[3]基于改進VGG卷積神經網絡的棉花病害識別模型[J]. 張建華,孔繁濤,吳建寨,翟治芬,韓書慶,曹姍姍. 中國農業(yè)大學學報. 2018(11)
[4]近年我國重要蘋果病害發(fā)生概況及研究進展[J]. 王樹桐,王亞南,曹克強. 植物保護. 2018(05)
[5]基于卷積神經網絡與遷移學習的油茶病害圖像識別[J]. 龍滿生,歐陽春娟,劉歡,付青. 農業(yè)工程學報. 2018(18)
[6]氣候變化對新疆蘋果種植氣候適宜性的影響[J]. 張山清,普宗朝,李新建,吉春容. 中國農業(yè)資源與區(qū)劃. 2018(08)
[7]基于稀疏自動編碼器和支持向量機的圖像分類[J]. 劉芳,路麗霞,王洪娟,王鑫. 系統(tǒng)仿真學報. 2018(08)
[8]蘋果產業(yè)大數(shù)據(jù)應用體系架構設計[J]. 程述漢,畢燕東,束懷瑞. 落葉果樹. 2018(03)
[9]一種基于卷積神經網絡的小麥病害識別方法[J]. 張航,程清,武英潔,王亞新,張承明,殷復偉. 山東農業(yè)科學. 2018(03)
[10]卷積神經網絡在黃瓜葉部病害識別中的應用[J]. 張善文,謝澤奇,張晴晴. 江蘇農業(yè)學報. 2018(01)
碩士論文
[1]基于深度卷積網絡的農業(yè)病蟲害圖像分類識別應用[D]. 顧文璇.武漢輕工大學 2017
[2]基于全噪聲自動編碼器的深度神經網絡優(yōu)化算法[D]. 夏林.武漢科技大學 2016
[3]基于HDFS的多屬性圖片存儲的設計與實現(xiàn)[D]. 孫德輝.華中科技大學 2016
[4]多任務多類特權信息支持向量機[D]. 戢友.華東師范大學 2012
[5]用簡化的孿生支持向量回歸機同步學習函數(shù)及其導數(shù)[D]. 付嵐.西安電子科技大學 2012
本文編號：2902976
本文鏈接：http://www.lk138.cn/guanlilunwen/glzh/2902976.html
