中國悠悠期刊咨詢網是專業從事評職稱論文發表,核心期刊征稿,核心期刊發表,學術論文發表等服務的論文發表期刊咨詢網。
展開

:深度學習在農作物病蟲害識別的應用

發布時間:2019-04-19   |  所屬分類:作物生產:論文發表  |  瀏覽:  |  加入收藏

直营彩票在线客服 www.ipbud.icu

  這篇論文主要介紹的是深度學習在農作物病蟲害識別的應用的內容,本文作者就是通過對深度學習對農作物病蟲識別的相關內容做出詳細的闡述與介紹,特推薦這篇優秀的文章供相關人士參考。

深度學習在農作物病蟲害識別的應用

  關鍵詞:深度學習;圖像識別;神經網絡

  從古至今農民對農作物病蟲害的判別大多數都是通過眼看,然后很具自己的經驗進行判別,自己分辨不出來時才會向他人請教,再根據判斷結果買農藥進行噴灑治療,這種方法要求進行診斷的人員有較高的專業水平和豐富的經驗,因此不同的診斷人員可能有不同的診斷結果。農民相對于專業人員而言專業水平有限,經驗也不是那么豐富,當遇到一種新的病蟲害時無法及時有效的做出判斷,并購買農藥進行防治,從而導致病蟲害面積擴大影響農作物的產量。圖像識別是指利用計算機對圖像進行處理、分析和理解,以識別各種不同模式的目標和對象的技術,是信息科學和人工智能的重要組成部分[1]深度學習作為一種良好實現圖像特征自動提取的技術,在圖像識別領域中使用非常廣泛。深度學習的出現是人工神經網絡的研究結果,在計算機視覺、文本處理、數據挖掘等領域使用非常廣泛。卷積神經網絡(CNN)是一種機器學習模型,基于深度的監督學習下產生,在圖像識別領域使用廣泛[2]。因此本研究旨在如何搭建深度學習環境,怎樣軟硬件結合來學習深度學習,并將深度學習應用于實際農業管理中。

  1實驗材料及開發工具

  1.1操作系統及開發工具Ubuntu-Linux16.0464位,VSCode-win32-x64-1.30.,OpenVINOTM1.2硬件環境英特爾®凌動™X5-Z8350處理器(代號CherryTrail),配備4GBDDR3LRAM和64GBeMMCUPBoard開發板1塊;英特爾神經計算棒(NCS)二代1個;IntelCore(TM)[email protected]/4G內存/128GB固態盤筆記本電腦1臺;威鑫視界TC420HDUSBLinux免驅攝像頭1個1.3軟件環境Python3語言環境、Caffe深度學習框架、AdobePhotoshopCS6軟件、OpenVINOTM開發工具箱。

  2運行程序

  2.1運行過程2.1.1尋找英特爾神經計算棒并獲取句柄運行程序尋找英特爾神經計算棒,如果沒有找到則退出程序,并提示沒有找到英特爾神經計算棒,請檢查連接和環境配置情況,當尋找到英特神經計算棒時,獲取英特爾計算棒的句柄并打開2.1.2導入圖片獲取圖形文件讀入設備的緩沖區,再將圖形緩沖區加載到英特神經計算棒中。這些圖片將在英特爾神經計算棒中被推理運算。2.1.3預處理圖像創建當前目錄和子目錄中所有的列表并按照字母順序對文件進行排序,再對處理圖像的數量進行設置,使其不會沾滿內存,然后讀取并且調整圖像的大小,此時圖像大大小在訓練期間已經定過了。將輸入的RGB格式圖像轉換為Caffe所使用的BGR格式,再使用平均減法和縮放對數據進行處理。2.1.4讀取并打印推斷結果加載標簽文件并將圖像加載為半精度浮點數,然后從英特爾神經計算棒中獲得結果,得到執行的時間并找到最高置信指數再打印每個圖像的頂部預測?;竦玫絞鶯笮對贗急瓴⒐乇丈璞?。2.2配置開發環境在Ubuntu16.04系統中打開終端使用命令安裝python3并設置python3為默認啟動python環境。安裝pip命令并使用pip命令安裝Caffe所依賴的包:Pandas、glob2、Panda、numpy、tk、vc,然后使用pip命令安裝caffe?;チ右韻略夭滄壩⑻囟?reg;DistributionofOpenVINO™toolkit。在終端窗口運行命令以解壓縮下載的tarball,安裝依賴項,然后安裝工具套件。配置神經計算棒USB驅動程序,更新udev規則使工具套件能夠尋找到英特爾神經計算棒并能夠使用其進行推理。運行官方Demo測試是否成功地為神經計算棒配置開發環境,當出現Democompletedsuccessfully時則說明已經成功地為神經計算棒配置開發環境。2.3圖像的搜集與處理2.3.1植物圖像的搜集圖像識別的核心是圖像特征提取,其直接影響到訓練效果和識別精確度。本課題選取水稻、玉米、小麥、3種農作物。水稻(OryzasativaL.),一年生草本。稈直立,高0.5-1.5米,隨品種而異。如圖1所示。玉米(ZeamaysL.)一年生高大草本。稈直立,通常不分枝,高1-4米,基部各節具氣生支柱根。葉鞘具橫脈;葉舌膜質,長約2毫米;葉片扁平寬大,線狀披針形,基部圓形呈耳狀,無毛或具疵柔毛,中脈粗壯,邊緣微粗糙。如圖2所示。小麥(TriticumaestivumL.)稈直立,叢生,具6-7節,高60-100厘米,徑5-7毫米。葉鞘松弛包莖,下部者長于上部者短于節間;葉舌膜質,長約1毫米;葉片長披針形。如圖3所示。在百度、谷歌等瀏覽器中搜索以上三種農作物病蟲害的高清圖片。經過人工篩選,最終為每種農作物選取500張圖片共計1500個圖像,并對不同農作物的病蟲害進行標簽分類用于訓練和測試。2.3.2預處理圖像為了更好的對模型進行訓練,因此使用AdobePhotoshopCS6軟件對圖像進行去水印、裁剪處理,然后對圖像進行灰度化處理,并將其像素轉化為與設定的448×448大小。為了提高卷積神經網絡對圖像的識別和處理能力,因此對選取的圖像進行幾何變換、變形等操作。2.3.3實驗模型參數調試本文以GoogLeNet卷積神經網絡模型為基礎結合神經計算棒進行監督學習訓練,在每次模型訓練之前先將數據庫中的圖像進行分類打標簽,然后每種農作物隨機選取其80%圖片作為訓練集,20%作為測試集。主體流程如圖4所示,卷積神經網絡如圖5所示。

  3分析討論

  經過試驗得出,使用卷積神經網絡來識別農作物病蟲害時,識別精度受激勵函數、迭代次數、卷積層數及圖像數量的影響。當使用Sigmoid函數時,會出現飽和神經元,這些神經元會影響其他神經元權重的更新,導致無法執行網絡的反向傳播,其計算成本比較高并且輸出不以零為中心。使用Tanh函數時,也出現了梯度消失的問題。使用LeakyReLU函數時不會出現梯度消失問題,計算效率高,快速收斂,避免了前兩個函數遇到的問題。使用LeakyReLU函數并且增加迭代次數、卷積層數以及圖像數量時,正確率相對于最初使用的函數明顯提高。玉米相對于水稻、小麥而言,其葉片面積較大,處理起來速度較快,精度也比較高。水稻、小麥的葉片比較細長,并且種植比較密集,因此葉片的重疊比較嚴重,處理速度相對于玉米來說較慢,精度稍微較低,因此需要改進算法,優化程序。

  4小結

  卷積神經網絡和圖像識別技術已經比較完善,足夠工程師進行開發使用,但是能夠熟練使用的人并不多,原因就是不知道使用哪些硬件,怎樣快速高效的學習。目前圖像識別技術主要是對圖像進項灰度化處理然后提取特征、分析,在識別之前需要使用大量的圖片對模型進行訓練,訓練好的模型能夠自動完成對圖像的識別、描述、分類。在農作物病蟲害判斷中使用基于卷積神經網絡的圖像識別技術有利于提高對農作物病蟲害判斷的效率,降低了農民對病蟲害識別的難度,避免因經驗不足而診斷錯誤導致的農藥污染與浪費,更有利于及時發現病蟲害進行有效的防治。

  參考文獻

  [1]龔丁禧,曹長榮.基于卷積神經網絡的植物葉片分類[J].計算機與現代化,2014(4):12-19.

  [2]姚青,張超,王正,等.分布式移動農業病蟲害圖像采集與診斷系統設計與試驗[J].農業工程學報,2017,33(S1):184-191.

  作者:孫奧 吳冬燕 吳陽江 許燕萍 單位:蘇州工業職業技術學院


轉載請注明來自://www.ipbud.icu/zuowushengchanlw/20178.html

    上一篇:新農村農田水利的建設問題
    下一篇:花生良種航花特征特性及配套栽培技術

    莆田三公游戏下载 最准确双色球选号技巧 二星组选包胆什么意思 pk10怎么玩才能赢 飞艇计划哪个软件准 北京pk10稳赚打法 老版万人炸金花下载 北京pk10计划软件网站 有财神捕鱼的棋牌 七乐彩票最新版下载 免费单机二人麻将 天天计划软件手机版 重庆时时全天计划群 幸运飞船免费计划一期7 重庆时时开奖结果记录3d 幸运飞艇死公式