發(fā)布時間：2020-04-03 06:34

【摘要】：圖像與光譜是智能農機裝備的重要感知信息,利用感知數據進行智能分析決策,是農業(yè)裝備智能化的關鍵。對于這兩類不同的農業(yè)數據分析任務,機器學習都是一條有效的完成途徑。但傳統機器學習方法在性能上已難以滿足當前農業(yè)領域大規(guī)模數據的精確處理需求,因此構建新型機器學習的農業(yè)圖像與光譜數據分析模型具有重要意義。本文基于機器學習前沿的深度學習方法分別從智能農機裝備的圖像識別和光譜檢測兩個方向進行研究。以田間作物雜草的圖像識別和土壤含水率的光譜檢測為研究目標,充分利用深度學習方法自主挖掘與學習復雜數據特征表達的優(yōu)勢,有針對性的構建和優(yōu)化具有更高性能的圖像識別和光譜分析模型,探索并解決深度學習應用于農業(yè)圖像和光譜數據處理中的基礎性研究問題。所開展的主要研究工作和結論如下:(1)改進傳統淺層機器學習方法對作物和雜草的圖像識別進行了研究,提出了基于融合高度與圖像特征的優(yōu)化支持向量機(Support Vector Machine,SVM)識別方法。將作物和雜草在實際空間高度上的差異作為一項識別依據,結合雙目視覺技術,實現了圖像目標區(qū)域高度特征參數的提取,計算誤差在±12mm以內。提取的圖像特征包括16項形態(tài)特征和2項紋理特征,通過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據量。融合高度與圖像特征獲得更為全面的特征表達,提高SVM模型對于圖像數據的識別能力。根據處于不同生長時期的作物與雜草樣本圖像,分3個階段建立融合高度與圖像特征的SVM識別模型,獲取更加精細化的圖像識別結果�；�于K層交叉驗證、遺傳算法和粒子群優(yōu)化算法對不同階段SVM模型的重要結構參數進行優(yōu)化,通過對比分析構建最優(yōu)SVM識別模型。測試結果表明,所建立的融合高度與圖像特征的優(yōu)化SVM識別模型對于作物和雜草圖像的平均識別準確率為98.33%,高度特征參與建模使平均識別準確率提高了 5%。該方法在傳統淺層機器學習的基礎上獲得了農業(yè)圖像識別性能的提升。(2)利用深度學習方法中的卷積神經網絡(Convolutional Neural Network,CNN)架構對作物和雜草的圖像識別進行了研究,提出采用多尺度CNN模型進行特征學習的作物與雜草識別方法。構建多尺度CNN模型從原始圖像的高斯金字塔中自主學習并提取多尺度分層特征作為識別依據。不依賴于人為的特征設計提取過程,從而在最大程度上獲取圖像中可用的內部特征信息。多尺度CNN模型由對應3個不同圖像尺度的CNN架構并聯組合而成,各CNN架構的內部參數跨尺度共享,迫使模型學習具有尺度不變性的特征。針對作物與雜草目標顏色相似、位置隨機、葉片易交疊和類內差異較大的特點,對CNN模型的整體架構、重要結構參數、分類器選擇、損失函數定義和訓練方法進行較為全面的優(yōu)化與改進,確定最佳CNN架構。建立的多尺度CNN模型能夠實現圖像中各像素目標的識別,其像素目標平均識別準確率為93.41%。采用多尺度CNN模型與超像素分割相結合的圖像目標識別策略,先識別像素目標,進而識別作物和雜草目標。測試結果表明,該方法能夠在識別作物與雜草目標區(qū)域的同時產生準確的圖像分割,有效避免目標交疊所帶來的問題,減少了圖像處理難度。在作物與雜草測試圖像數據集上,其平均目標識別準確率達98.92%,標準差為0.55%,識別單幅圖像的平均耗時為1.68s,同融合高度與圖像特征的優(yōu)化SVM識別方法相比,在目標識別的準確率、穩(wěn)定性和實時性方面均有一定程度的提高。對比分析了 CPU和GPU運算硬件對多尺度CNN模型識別速度的影響。測試結果表明,采用GPU代替CPU運算該架構,識別單幅圖像的平均耗時減少為0.72s。在作物與雜草的識別速度上獲得了1倍多的提升,進一步增強了實時性。(3)采用CNN架構對土壤含水率的光譜檢測方法進行了研究,建立CNN回歸預測模型用于土壤光譜數據的分析。將主成分分析處理后的光譜數據變換為二維光譜信息矩陣形式,作為CNN回歸預測模型的輸入。針對光譜數據的實值回歸預測任務,在CNN圖像識別架構的基礎上進行一定程度的調整與改進,通過試驗對CNN重要結構參數進行優(yōu)化,確立CNN回歸預測架構。該模型利用卷積與池化操作逐層提取并學習光譜特征數據,采用局部連接和權值共享減少自由參數,并引入神經元抑制策略獲得模型學習的稀疏性。輸出層采用與上一層全連接的單神經元回歸函數,實現基于CNN架構的光譜數據實值回歸,同時損失函數定義為歐氏距離函數,利用預測值與實際值間誤差的最小化引導CNN模型的訓練過程。測試結果表明,構建的CNN回歸預測模型實現了有效的土壤含水率光譜檢測。在訓練樣本達到一定數量時,CNN回歸預測模型的預測精度和回歸擬合優(yōu)度均高于BP、PLSR和LS-SVM三種傳統淺層機器學習預測模型,在少量訓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,但是隨著訓練數據量的增加,CNN的性能也隨之穩(wěn)步提升,達到并顯著優(yōu)于傳統模型水平。因此基于CNN架構的回歸預測模型在大樣本量的光譜數據分析任務中能取得更好的檢測效果,在農業(yè)大數據環(huán)境下具有重要優(yōu)勢。
【學位授予單位】：山西農業(yè)大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：S126;TP391.41;TP181

【相似文獻】

相關期刊論文 前10條

1 劉宣彤;;計算機圖像識別的智能化處理方法分析[J];科技經濟導刊;2019年11期

2 趙靜;;淺析深度學習在圖像識別中的應用[J];襄陽職業(yè)技術學院學報;2019年02期

3 劉飛;張俊然;楊豪;;基于深度學習的醫(yī)學圖像識別研究進展[J];中國生物醫(yī)學工程學報;2018年01期

4 陳凱;;人工“智能”圖像識別[J];中國信息技術教育;2017年Z2期

5 于婷;;計算機圖像識別的智能化處理技術瓶頸與突破[J];信息與電腦(理論版);2018年21期

6 陳健軍;張俊杰;袁俊來;劉玉彤;王阿川;;學校食堂菜品圖像識別方法研究[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[J];科學中國人;2017年03期

8 康少偉;;計算機圖像識別智能化處理技術的研究[J];廣西教育;2016年35期

9 段云濤;王超;;基于圖像識別的食品變質檢測技術[J];飲食科學;2017年06期

10 王健羽;史春耀;衛(wèi)文龍;;論自適應3DLBP特征下的人臉深度圖像識別[J];赤子(下旬);2016年12期

相關會議論文 前10條

1 許西丹;武杰;;基于耦合深度信念網絡的圖像識別方法[A];第十五屆中國體視學與圖像分析學術會議論文集[C];2017年

2 姜洪臣;任曉磊;趙耀宏;徐波;;基于音頻語譜圖像識別的廣告檢索[A];第十一屆全國人機語音通訊學術會議論文集（二）[C];2011年

3 許開宇;徐志京;鄭華耀;;基于小波變換的圖像識別研究[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

4 滕達;宋曉;龔光紅;韓亮;王義;王江云;;深度神經網絡圖像識別魯棒性增強方法研究[A];第十四屆中國體視學與圖像分析學術會議論文集[C];2015年

5 李靈;;情景智能圖像識別和數字化處理技術在型式評價試驗中的運用[A];2013年江蘇省計量測試學會學術會議論文集[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別[A];第一屆全國Web信息系統及其應用會議（WISA2004）論文集[C];2004年

7 ;電腦認人超過人類[A];《科學與現代化》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式模糊擬合在人臉圖像識別中的應用[A];第25屆中國控制會議論文集（下冊）[C];2006年

9 劉卓夫;廖振鵬;桑恩方;;頻域分形法在聲納圖像識別中的應用[A];第十二屆全國信號處理學術年會（CCSP-2005）論文集[C];2005年

10 李寶儒;孫鳳杰;范杰清;;基于煙氣圖像識別的火災探測方法[A];圖像圖形技術研究與應用2009——第四屆圖像圖形技術與應用學術會議論文集[C];2009年

相關重要報紙文章 前10條

1 本報記者 沈勇青;莞企站上圖像識別風口[N];東莞日報;2018年

2 王眾;看“像”的NEC[N];計算機世界;2016年

3 ;2017年，人工智能將在這些方面帶來震撼[N];電腦報;2017年

4 本報記者 吳艷;人工智能：創(chuàng)新是市場“密鑰”[N];中國知識產權報;2017年

5 本報記者 陳靜;人工智能：大步流星 聚力前行[N];經濟日報;2017年

6 本報記者 何曉亮;“AI+醫(yī)療”：人工智能落地的第一只靴子？[N];科技日報;2017年

7 本報記者 王洋;國產電視從便捷到“聰明”[N];消費日報;2017年

8 中國經濟導報記者 荊文娜;人工智能“涉足”醫(yī)療資源下沉基層[N];中國經濟導報;2017年

9 上海海事大學副教授 魏忠;發(fā)展人工智能 教育應有作為[N];中國教育報;2017年

10 王月 成都媒體人;別人剛學會圖像識別，谷歌已經開始識別視頻了[N];電腦報;2017年

相關博士學位論文 前10條

1 王璨;基于機器學習的農業(yè)圖像識別與光譜檢測方法研究[D];山西農業(yè)大學;2018年

2 冉瑞生;一些矩陣計算問題及其在圖像識別中的應用研究[D];電子科技大學;2006年

3 孫權森;基于相關投影分析的特征抽取與圖像識別研究[D];南京理工大學;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別研究[D];中國科學技術大學;2006年

5 謝鉉洋;SARS醫(yī)學圖像識別與輔助診斷研究[D];中國科學技術大學;2006年

6 劉軍;人臉圖像識別關鍵技術的研究[D];北京郵電大學;2015年

7 王宇e，

本文編號：2613068