基于计算机视觉的农作物病害叶片识别方法研究
发布时间:2025-07-02 03:40
农业生产是人类的生产之本,保障农业生产是国之根本,然而农作物病害长期威胁着我国农业生产。在实际生产过程中,正确识别病害种类并精准施药,能够避免病虫害的爆发,有效保障农业生产。针对现有农作物病害识别中病害作物种类不够丰富,对病害程度划分精度不高,模型训练时间过长的问题,论文提出了一种能针对多种农作物进行正确识别病害程度的可行方法。本文运用计算机视觉技术,基于“AI Challenger”农作物病害数据集,通过传统机器学习、深度学习和迁移学习三种方法对农作物病害叶片进行分类比较研究。以期寻找在多种农作物病害的实际情况下,能够正确识别农作物病害程度的最佳方法。传统机器学习中采用融合叶片纹理和形状特征,基于支持向量机进行病害识别;深度学习中采用基于Xception网络进行特征提取及分类,利用交叉熵损失函数和Adam算法进行参数调节,并选用dropout正则化技术提升模型泛化能力;考虑到训练样本的有限性同时为解决模型的冷启动问题,引入迁移学习机制对模型优化改进,提出了一种基于迁移Xception的农作物病害叶片识别方法。实验结果表明鉴于自然场景中出现的多干扰因素,传统机器学习算法不能取得理想的效果...
【文章页数】:82 页
【学位级别】:硕士
【部分图文】:
本文编号:4055175
【文章页数】:82 页
【学位级别】:硕士
【部分图文】:
图1.1不同(疾病
基于计算机视觉的农作物病害叶片识别方法研究农作物主要组成部分有根、茎、叶、花、果实、种子,在生长过程中有较好特征代表性的是它的叶、花、果实[4],其中花、果实在植物之间区别明显,但生长周期较短,且都是立体结构,三维数据采集以及后期处理技术困难;而农作物的叶片,生长周期较长,叶片表....
图1.2Leafsnap程序界面
成都大学硕士学位论文图1.2Leafsnap程序界面Fig.1.2TheLeafsnapsystemdisplay通过对上述国内外的研究以及应用现状分析可知,近年来采用传统机器学习方法的实验结果精度不断提高,如杨章的利用降维的LBP分类器在50类叶片分类中,达到94%的分类精度。....
图2.1不同类别包含叶片数条形图
成都大学硕士学位论文表2.1续Tab.2.1Cont类别叶片种类类别叶片种类类别叶片种类9玉米健康29桃疮痂病严重49番茄晚疫病菌严重10玉米灰斑病一般30辣椒健康50番茄叶霉病一般11玉米灰斑病严重31辣椒疮痂病一般51番茄叶霉病严重12玉米锈病一般32辣椒疮痂病严重52番茄斑....
图2.2Lab颜色空
基于计算机视觉的农作物病害叶片识别方法研究综上可知,对该数据集进行准确、高效的分类能够帮助更加精准、快速的找到合适的农作物病虫害治疗措施,有助于提高农产品品质和产量,本论文基于此数据集开展研究,该数据集存在的分类难点有:(1)每类样本数目差异较大、分布不均衡。(2)数据集对疾病的....
本文编号:4055175
本文链接:https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/4055175.html