蘋果葉片病害識(shí)別及品質(zhì)預(yù)測管理系統(tǒng)研發(fā)
發(fā)布時(shí)間：2020-12-07 08:51
近年來,氣候變化對(duì)蘋果品質(zhì)的影響程度逐漸增強(qiáng)。針對(duì)氣象因素進(jìn)行科學(xué)的品質(zhì)預(yù)測對(duì)于果農(nóng)收入、果品供求、市場流通等具有重要作用。蘋果病害時(shí)常發(fā)生,但由于果農(nóng)缺乏病害識(shí)別與防控技術(shù),易導(dǎo)致錯(cuò)判蘋果病害種類而不當(dāng)施藥,造成經(jīng)濟(jì)損失。若及早發(fā)現(xiàn)并診斷病害種類,進(jìn)行精準(zhǔn)防控,對(duì)保障我國蘋果品質(zhì)具有重要作用。隨著機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的不斷發(fā)展,借助算法有效地進(jìn)行科學(xué)預(yù)測成為可能。本文針對(duì)蘋果品質(zhì)預(yù)測、圖像識(shí)別模型等問題展開研究,主要研究內(nèi)容及研究成果如下:(1)針對(duì)堆疊稀疏自動(dòng)編碼器訓(xùn)練時(shí)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(dòng)編碼器模型。該模型共有2點(diǎn)改進(jìn):在傳統(tǒng)堆疊稀疏自動(dòng)編碼器模型的基礎(chǔ)上,引入了K均值聚類算法和并行級(jí)聯(lián)學(xué)習(xí)機(jī)制,前者通過對(duì)輸入層及各隱層的輸入向量進(jìn)行聚類,生成K個(gè)子類并行輸入到K個(gè)稀疏自動(dòng)編碼器中訓(xùn)練,減少并行稀疏自動(dòng)編碼器的輸入數(shù)據(jù)規(guī)模;后者通過并行級(jí)聯(lián)學(xué)習(xí),有效地融合并行稀疏自動(dòng)編碼器的權(quán)值參數(shù),加快模型運(yùn)行速度。該改進(jìn)模型與最近提出的堆疊降噪稀疏自動(dòng)編碼器相比具有更高的識(shí)別準(zhǔn)確率,且極大地減少了模型的預(yù)訓(xùn)練時(shí)間,加快模型開發(fā)速度。實(shí)驗(yàn)結(jié)果表明傳統(tǒng)訓(xùn)練方法存在...
【文章來源】：山東農(nóng)業(yè)大學(xué)山東省
【文章頁數(shù)】：83 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
自動(dòng)編碼器結(jié)構(gòu)圖
蘋果葉片病害識(shí)別及品質(zhì)預(yù)測管理系統(tǒng)研發(fā)由于圖像識(shí)別任務(wù)較難，淺層網(wǎng)絡(luò)不能較好地提取充分多的特征，所以需要利用多個(gè)稀疏自動(dòng)編碼器進(jìn)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(dòng)編碼器（Stacked Sparse AutoEncoder, SSAE）是一種典型的深度學(xué)習(xí)模型，通過將最后一層稀疏自動(dòng)編碼器連接分類器或者回歸器，以達(dá)到監(jiān)督學(xué)習(xí)的目的。其訓(xùn)練過程包括兩部分：無監(jiān)督逐層預(yù)訓(xùn)練階段和微調(diào)階段。其基本結(jié)構(gòu)如圖 2所 示。圖中左邊為預(yù)訓(xùn)練階段，右邊為微調(diào)階段。
(a)未加入 Dropout策略的結(jié)構(gòu)圖(b)加入 Dropout 策略的結(jié)構(gòu)圖(a)The structure without Dropout strategy (b)The structure with Dropout strategy圖 3 有無 Dropout策略的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The network structure with and without Dropout strategy卷積神經(jīng)網(wǎng)絡(luò)深度越深，需要訓(xùn)練的參數(shù)越多，常見的優(yōu)化函數(shù)有隨機(jī)梯。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程通常是將卷積網(wǎng)絡(luò)看成一個(gè)整體，利用優(yōu)化函微調(diào)操作，直至模型接近收斂為止。章小結(jié)本章主要介紹支持向量機(jī)回歸相關(guān)原理及求解過程，以及常見的深度學(xué)習(xí)堆疊自動(dòng)編碼器、深度卷積神經(jīng)網(wǎng)絡(luò)等模型的相關(guān)理論和基本結(jié)構(gòu)。
【參考文獻(xiàn)】：
期刊論文
[1]山西:組團(tuán)參加全國蘋果大數(shù)據(jù)發(fā)展應(yīng)用協(xié)作組會(huì)議和全國蘋果大數(shù)據(jù)發(fā)展應(yīng)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(chǎn)[J]. 禾本. 中國果業(yè)信息. 2018(11)
[3]基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)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(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(11)
[4]近年我國重要蘋果病害發(fā)生概況及研究進(jìn)展[J]. 王樹桐,王亞南,曹克強(qiáng). 植物保護(hù). 2018(05)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 龍滿生,歐陽春娟,劉歡,付青. 農(nóng)業(yè)工程學(xué)報(bào). 2018(18)
[6]氣候變化對(duì)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(nóng)業(yè)資源與區(qū)劃. 2018(08)
[7]基于稀疏自動(dòng)編碼器和支持向量機(jī)的圖像分類[J]. 劉芳,路麗霞,王洪娟,王鑫. 系統(tǒng)仿真學(xué)報(bào). 2018(08)
[8]蘋果產(chǎn)業(yè)大數(shù)據(jù)應(yīng)用體系架構(gòu)設(shè)計(jì)[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(jīng)網(wǎng)絡(luò)的小麥病害識(shí)別方法[J]. 張航,程清,武英潔,王亞新,張承明,殷復(fù)偉. 山東農(nóng)業(yè)科學(xué). 2018(03)
[10]卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識(shí)別中的應(yīng)用[J]. 張善文,謝澤奇,張晴晴. 江蘇農(nóng)業(yè)學(xué)報(bào). 2018(01)
碩士論文
[1]基于深度卷積網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害圖像分類識(shí)別應(yīng)用[D]. 顧文璇.武漢輕工大學(xué) 2017
[2]基于全噪聲自動(dòng)編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[D]. 夏林.武漢科技大學(xué) 2016
[3]基于HDFS的多屬性圖片存儲(chǔ)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 孫德輝.華中科技大學(xué) 2016
[4]多任務(wù)多類特權(quán)信息支持向量機(jī)[D]. 戢友.華東師范大學(xué) 2012
[5]用簡化的孿生支持向量回歸機(jī)同步學(xué)習(xí)函數(shù)及其導(dǎo)數(shù)[D]. 付嵐.西安電子科技大學(xué) 2012
本文編號(hào)：2902976
【文章來源】：山東農(nóng)業(yè)大學(xué)山東省
【文章頁數(shù)】：83 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
自動(dòng)編碼器結(jié)構(gòu)圖
蘋果葉片病害識(shí)別及品質(zhì)預(yù)測管理系統(tǒng)研發(fā)由于圖像識(shí)別任務(wù)較難，淺層網(wǎng)絡(luò)不能較好地提取充分多的特征，所以需要利用多個(gè)稀疏自動(dòng)編碼器進(jìn)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(dòng)編碼器（Stacked Sparse AutoEncoder, SSAE）是一種典型的深度學(xué)習(xí)模型，通過將最后一層稀疏自動(dòng)編碼器連接分類器或者回歸器，以達(dá)到監(jiān)督學(xué)習(xí)的目的。其訓(xùn)練過程包括兩部分：無監(jiān)督逐層預(yù)訓(xùn)練階段和微調(diào)階段。其基本結(jié)構(gòu)如圖 2所 示。圖中左邊為預(yù)訓(xùn)練階段，右邊為微調(diào)階段。
(a)未加入 Dropout策略的結(jié)構(gòu)圖(b)加入 Dropout 策略的結(jié)構(gòu)圖(a)The structure without Dropout strategy (b)The structure with Dropout strategy圖 3 有無 Dropout策略的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The network structure with and without Dropout strategy卷積神經(jīng)網(wǎng)絡(luò)深度越深，需要訓(xùn)練的參數(shù)越多，常見的優(yōu)化函數(shù)有隨機(jī)梯。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程通常是將卷積網(wǎng)絡(luò)看成一個(gè)整體，利用優(yōu)化函微調(diào)操作，直至模型接近收斂為止。章小結(jié)本章主要介紹支持向量機(jī)回歸相關(guān)原理及求解過程，以及常見的深度學(xué)習(xí)堆疊自動(dòng)編碼器、深度卷積神經(jīng)網(wǎng)絡(luò)等模型的相關(guān)理論和基本結(jié)構(gòu)。
【參考文獻(xiàn)】：
期刊論文
[1]山西:組團(tuán)參加全國蘋果大數(shù)據(jù)發(fā)展應(yīng)用協(xié)作組會(huì)議和全國蘋果大數(shù)據(jù)發(fā)展應(yīng)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(chǎn)[J]. 禾本. 中國果業(yè)信息. 2018(11)
[3]基于改進(jìn)VGG卷積神經(jīng)網(wǎng)絡(luò)的棉花病害識(shí)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(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(11)
[4]近年我國重要蘋果病害發(fā)生概況及研究進(jìn)展[J]. 王樹桐,王亞南,曹克強(qiáng). 植物保護(hù). 2018(05)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 龍滿生,歐陽春娟,劉歡,付青. 農(nóng)業(yè)工程學(xué)報(bào). 2018(18)
[6]氣候變化對(duì)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(nóng)業(yè)資源與區(qū)劃. 2018(08)
[7]基于稀疏自動(dòng)編碼器和支持向量機(jī)的圖像分類[J]. 劉芳,路麗霞,王洪娟,王鑫. 系統(tǒng)仿真學(xué)報(bào). 2018(08)
[8]蘋果產(chǎn)業(yè)大數(shù)據(jù)應(yīng)用體系架構(gòu)設(shè)計(jì)[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(jīng)網(wǎng)絡(luò)的小麥病害識(shí)別方法[J]. 張航,程清,武英潔,王亞新,張承明,殷復(fù)偉. 山東農(nóng)業(yè)科學(xué). 2018(03)
[10]卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識(shí)別中的應(yīng)用[J]. 張善文,謝澤奇,張晴晴. 江蘇農(nóng)業(yè)學(xué)報(bào). 2018(01)
碩士論文
[1]基于深度卷積網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害圖像分類識(shí)別應(yīng)用[D]. 顧文璇.武漢輕工大學(xué) 2017
[2]基于全噪聲自動(dòng)編碼器的深度神經(jīng)網(wǎng)絡(luò)優(yōu)化算法[D]. 夏林.武漢科技大學(xué) 2016
[3]基于HDFS的多屬性圖片存儲(chǔ)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 孫德輝.華中科技大學(xué) 2016
[4]多任務(wù)多類特權(quán)信息支持向量機(jī)[D]. 戢友.華東師范大學(xué) 2012
[5]用簡化的孿生支持向量回歸機(jī)同步學(xué)習(xí)函數(shù)及其導(dǎo)數(shù)[D]. 付嵐.西安電子科技大學(xué) 2012
本文編號(hào)：2902976
本文鏈接：http://www.wukwdryxk.cn/guanlilunwen/glzh/2902976.html
最近更新
教材專著
