【摘要】：圖像與光譜是智能農(nóng)機(jī)裝備的重要感知信息,利用感知數(shù)據(jù)進(jìn)行智能分析決策,是農(nóng)業(yè)裝備智能化的關(guān)鍵。對(duì)于這兩類不同的農(nóng)業(yè)數(shù)據(jù)分析任務(wù),機(jī)器學(xué)習(xí)都是一條有效的完成途徑。但傳統(tǒng)機(jī)器學(xué)習(xí)方法在性能上已難以滿足當(dāng)前農(nóng)業(yè)領(lǐng)域大規(guī)模數(shù)據(jù)的精確處理需求,因此構(gòu)建新型機(jī)器學(xué)習(xí)的農(nóng)業(yè)圖像與光譜數(shù)據(jù)分析模型具有重要意義。本文基于機(jī)器學(xué)習(xí)前沿的深度學(xué)習(xí)方法分別從智能農(nóng)機(jī)裝備的圖像識(shí)別和光譜檢測(cè)兩個(gè)方向進(jìn)行研究。以田間作物雜草的圖像識(shí)別和土壤含水率的光譜檢測(cè)為研究目標(biāo),充分利用深度學(xué)習(xí)方法自主挖掘與學(xué)習(xí)復(fù)雜數(shù)據(jù)特征表達(dá)的優(yōu)勢(shì),有針對(duì)性的構(gòu)建和優(yōu)化具有更高性能的圖像識(shí)別和光譜分析模型,探索并解決深度學(xué)習(xí)應(yīng)用于農(nóng)業(yè)圖像和光譜數(shù)據(jù)處理中的基礎(chǔ)性研究問(wèn)題。所開展的主要研究工作和結(jié)論如下:(1)改進(jìn)傳統(tǒng)淺層機(jī)器學(xué)習(xí)方法對(duì)作物和雜草的圖像識(shí)別進(jìn)行了研究,提出了基于融合高度與圖像特征的優(yōu)化支持向量機(jī)(Support Vector Machine,SVM)識(shí)別方法。將作物和雜草在實(shí)際空間高度上的差異作為一項(xiàng)識(shí)別依據(jù),結(jié)合雙目視覺(jué)技術(shù),實(shí)現(xiàn)了圖像目標(biāo)區(qū)域高度特征參數(shù)的提取,計(jì)算誤差在±12mm以內(nèi)。提取的圖像特征包括16項(xiàng)形態(tài)特征和2項(xiàng)紋理特征,通過(guò)最大最小蟻群算法優(yōu)化選擇形態(tài)特征,降低總體圖像特征數(shù)據(jù)量。融合高度與圖像特征獲得更為全面的特征表達(dá),提高SVM模型對(duì)于圖像數(shù)據(jù)的識(shí)別能力。根據(jù)處于不同生長(zhǎng)時(shí)期的作物與雜草樣本圖像,分3個(gè)階段建立融合高度與圖像特征的SVM識(shí)別模型,獲取更加精細(xì)化的圖像識(shí)別結(jié)果。基于K層交叉驗(yàn)證、遺傳算法和粒子群優(yōu)化算法對(duì)不同階段SVM模型的重要結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,通過(guò)對(duì)比分析構(gòu)建最優(yōu)SVM識(shí)別模型。測(cè)試結(jié)果表明,所建立的融合高度與圖像特征的優(yōu)化SVM識(shí)別模型對(duì)于作物和雜草圖像的平均識(shí)別準(zhǔn)確率為98.33%,高度特征參與建模使平均識(shí)別準(zhǔn)確率提高了 5%。該方法在傳統(tǒng)淺層機(jī)器學(xué)習(xí)的基礎(chǔ)上獲得了農(nóng)業(yè)圖像識(shí)別性能的提升。(2)利用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)架構(gòu)對(duì)作物和雜草的圖像識(shí)別進(jìn)行了研究,提出采用多尺度CNN模型進(jìn)行特征學(xué)習(xí)的作物與雜草識(shí)別方法。構(gòu)建多尺度CNN模型從原始圖像的高斯金字塔中自主學(xué)習(xí)并提取多尺度分層特征作為識(shí)別依據(jù)。不依賴于人為的特征設(shè)計(jì)提取過(guò)程,從而在最大程度上獲取圖像中可用的內(nèi)部特征信息。多尺度CNN模型由對(duì)應(yīng)3個(gè)不同圖像尺度的CNN架構(gòu)并聯(lián)組合而成,各CNN架構(gòu)的內(nèi)部參數(shù)跨尺度共享,迫使模型學(xué)習(xí)具有尺度不變性的特征。針對(duì)作物與雜草目標(biāo)顏色相似、位置隨機(jī)、葉片易交疊和類內(nèi)差異較大的特點(diǎn),對(duì)CNN模型的整體架構(gòu)、重要結(jié)構(gòu)參數(shù)、分類器選擇、損失函數(shù)定義和訓(xùn)練方法進(jìn)行較為全面的優(yōu)化與改進(jìn),確定最佳CNN架構(gòu)。建立的多尺度CNN模型能夠?qū)崿F(xiàn)圖像中各像素目標(biāo)的識(shí)別,其像素目標(biāo)平均識(shí)別準(zhǔn)確率為93.41%。采用多尺度CNN模型與超像素分割相結(jié)合的圖像目標(biāo)識(shí)別策略,先識(shí)別像素目標(biāo),進(jìn)而識(shí)別作物和雜草目標(biāo)。測(cè)試結(jié)果表明,該方法能夠在識(shí)別作物與雜草目標(biāo)區(qū)域的同時(shí)產(chǎn)生準(zhǔn)確的圖像分割,有效避免目標(biāo)交疊所帶來(lái)的問(wèn)題,減少了圖像處理難度。在作物與雜草測(cè)試圖像數(shù)據(jù)集上,其平均目標(biāo)識(shí)別準(zhǔn)確率達(dá)98.92%,標(biāo)準(zhǔn)差為0.55%,識(shí)別單幅圖像的平均耗時(shí)為1.68s,同融合高度與圖像特征的優(yōu)化SVM識(shí)別方法相比,在目標(biāo)識(shí)別的準(zhǔn)確率、穩(wěn)定性和實(shí)時(shí)性方面均有一定程度的提高。對(duì)比分析了 CPU和GPU運(yùn)算硬件對(duì)多尺度CNN模型識(shí)別速度的影響。測(cè)試結(jié)果表明,采用GPU代替CPU運(yùn)算該架構(gòu),識(shí)別單幅圖像的平均耗時(shí)減少為0.72s。在作物與雜草的識(shí)別速度上獲得了1倍多的提升,進(jìn)一步增強(qiáng)了實(shí)時(shí)性。(3)采用CNN架構(gòu)對(duì)土壤含水率的光譜檢測(cè)方法進(jìn)行了研究,建立CNN回歸預(yù)測(cè)模型用于土壤光譜數(shù)據(jù)的分析。將主成分分析處理后的光譜數(shù)據(jù)變換為二維光譜信息矩陣形式,作為CNN回歸預(yù)測(cè)模型的輸入。針對(duì)光譜數(shù)據(jù)的實(shí)值回歸預(yù)測(cè)任務(wù),在CNN圖像識(shí)別架構(gòu)的基礎(chǔ)上進(jìn)行一定程度的調(diào)整與改進(jìn),通過(guò)試驗(yàn)對(duì)CNN重要結(jié)構(gòu)參數(shù)進(jìn)行優(yōu)化,確立CNN回歸預(yù)測(cè)架構(gòu)。該模型利用卷積與池化操作逐層提取并學(xué)習(xí)光譜特征數(shù)據(jù),采用局部連接和權(quán)值共享減少自由參數(shù),并引入神經(jīng)元抑制策略獲得模型學(xué)習(xí)的稀疏性。輸出層采用與上一層全連接的單神經(jīng)元回歸函數(shù),實(shí)現(xiàn)基于CNN架構(gòu)的光譜數(shù)據(jù)實(shí)值回歸,同時(shí)損失函數(shù)定義為歐氏距離函數(shù),利用預(yù)測(cè)值與實(shí)際值間誤差的最小化引導(dǎo)CNN模型的訓(xùn)練過(guò)程。測(cè)試結(jié)果表明,構(gòu)建的CNN回歸預(yù)測(cè)模型實(shí)現(xiàn)了有效的土壤含水率光譜檢測(cè)。在訓(xùn)練樣本達(dá)到一定數(shù)量時(shí),CNN回歸預(yù)測(cè)模型的預(yù)測(cè)精度和回歸擬合優(yōu)度均高于BP、PLSR和LS-SVM三種傳統(tǒng)淺層機(jī)器學(xué)習(xí)預(yù)測(cè)模型,在少量訓(xùn)練樣本參與建模的情況下,CNN的性能優(yōu)于BP,略低于PLSR和LS-SVM,但是隨著訓(xùn)練數(shù)據(jù)量的增加,CNN的性能也隨之穩(wěn)步提升,達(dá)到并顯著優(yōu)于傳統(tǒng)模型水平。因此基于CNN架構(gòu)的回歸預(yù)測(cè)模型在大樣本量的光譜數(shù)據(jù)分析任務(wù)中能取得更好的檢測(cè)效果,在農(nóng)業(yè)大數(shù)據(jù)環(huán)境下具有重要優(yōu)勢(shì)。
【學(xué)位授予單位】：山西農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：S126;TP391.41;TP181
【相似文獻(xiàn)】
相關(guān)期刊論文 前10條
1 劉宣彤;;計(jì)算機(jī)圖像識(shí)別的智能化處理方法分析[J];科技經(jīng)濟(jì)導(dǎo)刊;2019年11期
2 趙靜;;淺析深度學(xué)習(xí)在圖像識(shí)別中的應(yīng)用[J];襄陽(yáng)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2019年02期
3 劉飛;張俊然;楊豪;;基于深度學(xué)習(xí)的醫(yī)學(xué)圖像識(shí)別研究進(jìn)展[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2018年01期
4 陳凱;;人工“智能”圖像識(shí)別[J];中國(guó)信息技術(shù)教育;2017年Z2期
5 于婷;;計(jì)算機(jī)圖像識(shí)別的智能化處理技術(shù)瓶頸與突破[J];信息與電腦(理論版);2018年21期
6 陳健軍;張俊杰;袁俊來(lái);劉玉彤;王阿川;;學(xué)校食堂菜品圖像識(shí)別方法研究[J];黑龍江科技信息;2017年14期
7 龐鴻宇;劉益成;;智能錢幣分類整理機(jī)[J];科學(xué)中國(guó)人;2017年03期
8 康少偉;;計(jì)算機(jī)圖像識(shí)別智能化處理技術(shù)的研究[J];廣西教育;2016年35期
9 段云濤;王超;;基于圖像識(shí)別的食品變質(zhì)檢測(cè)技術(shù)[J];飲食科學(xué);2017年06期
10 王健羽;史春耀;衛(wèi)文龍;;論自適應(yīng)3DLBP特征下的人臉深度圖像識(shí)別[J];赤子(下旬);2016年12期
相關(guān)會(huì)議論文 前10條
1 許西丹;武杰;;基于耦合深度信念網(wǎng)絡(luò)的圖像識(shí)別方法[A];第十五屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2017年
2 姜洪臣;任曉磊;趙耀宏;徐波;;基于音頻語(yǔ)譜圖像識(shí)別的廣告檢索[A];第十一屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議論文集（二）[C];2011年
3 許開宇;徐志京;鄭華耀;;基于小波變換的圖像識(shí)別研究[A];2003年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2003年
4 滕達(dá);宋曉;龔光紅;韓亮;王義;王江云;;深度神經(jīng)網(wǎng)絡(luò)圖像識(shí)別魯棒性增強(qiáng)方法研究[A];第十四屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2015年
5 李靈;;情景智能圖像識(shí)別和數(shù)字化處理技術(shù)在型式評(píng)價(jià)試驗(yàn)中的運(yùn)用[A];2013年江蘇省計(jì)量測(cè)試學(xué)會(huì)學(xué)術(shù)會(huì)議論文集[C];2013年
6 譚璐;易東云;吳翊;袁偉;;基于非線性降維方法的圖像識(shí)別[A];第一屆全國(guó)Web信息系統(tǒng)及其應(yīng)用會(huì)議（WISA2004）論文集[C];2004年
7 ;電腦認(rèn)人超過(guò)人類[A];《科學(xué)與現(xiàn)代化》2015年第1期（總第062期）[C];2015年
8 劉翠響;孫以材;張艷;于明;;基于三控制要素的多項(xiàng)式模糊擬合在人臉圖像識(shí)別中的應(yīng)用[A];第25屆中國(guó)控制會(huì)議論文集（下冊(cè)）[C];2006年
9 劉卓夫;廖振鵬;桑恩方;;頻域分形法在聲納圖像識(shí)別中的應(yīng)用[A];第十二屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2005）論文集[C];2005年
10 李寶儒;孫鳳杰;范杰清;;基于煙氣圖像識(shí)別的火災(zāi)探測(cè)方法[A];圖像圖形技術(shù)研究與應(yīng)用2009——第四屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年
相關(guān)重要報(bào)紙文章 前10條
1 本報(bào)記者 沈勇青;莞企站上圖像識(shí)別風(fēng)口[N];東莞日?qǐng)?bào);2018年
2 王眾;看“像”的NEC[N];計(jì)算機(jī)世界;2016年
3 ;2017年，人工智能將在這些方面帶來(lái)震撼[N];電腦報(bào);2017年
4 本報(bào)記者 吳艷;人工智能：創(chuàng)新是市場(chǎng)“密鑰”[N];中國(guó)知識(shí)產(chǎn)權(quán)報(bào);2017年
5 本報(bào)記者 陳靜;人工智能：大步流星 聚力前行[N];經(jīng)濟(jì)日?qǐng)?bào);2017年
6 本報(bào)記者 何曉亮;“AI+醫(yī)療”：人工智能落地的第一只靴子？[N];科技日?qǐng)?bào);2017年
7 本報(bào)記者 王洋;國(guó)產(chǎn)電視從便捷到“聰明”[N];消費(fèi)日?qǐng)?bào);2017年
8 中國(guó)經(jīng)濟(jì)導(dǎo)報(bào)記者 荊文娜;人工智能“涉足”醫(yī)療資源下沉基層[N];中國(guó)經(jīng)濟(jì)導(dǎo)報(bào);2017年
9 上海海事大學(xué)副教授 魏忠;發(fā)展人工智能 教育應(yīng)有作為[N];中國(guó)教育報(bào);2017年
10 王月 成都媒體人;別人剛學(xué)會(huì)圖像識(shí)別，谷歌已經(jīng)開始識(shí)別視頻了[N];電腦報(bào);2017年
相關(guān)博士學(xué)位論文 前10條
1 王璨;基于機(jī)器學(xué)習(xí)的農(nóng)業(yè)圖像識(shí)別與光譜檢測(cè)方法研究[D];山西農(nóng)業(yè)大學(xué);2018年
2 冉瑞生;一些矩陣計(jì)算問(wèn)題及其在圖像識(shí)別中的應(yīng)用研究[D];電子科技大學(xué);2006年
3 孫權(quán)森;基于相關(guān)投影分析的特征抽取與圖像識(shí)別研究[D];南京理工大學(xué);2006年
4 胡元奎;可變光照和可變姿態(tài)條件下的人臉圖像識(shí)別研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2006年
5 謝鉉洋;SARS醫(yī)學(xué)圖像識(shí)別與輔助診斷研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2006年
6 劉軍;人臉圖像識(shí)別關(guān)鍵技術(shù)的研究[D];北京郵電大學(xué);2015年
7 王宇e，
本文編號(hào)：2613068
