书目详细信息
： 基于深度学习的咖啡胁迫因素监测研究
书目信息 机读格式(MARC)
| ISBN/价格： | CNY20.00 (估\呈缴)学位论文 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 530000 |
| 题名责任者项： | 基于深度学习的咖啡胁迫因素监测研究/.卢筱磊著/.曹志勇指导 |
| 出版发行项： | 202306.06 |
| 载体形态项： | 56页:;+图表:;+30cm |
| 一般附注： | 大数据学院（信息工程学院）, 学号2021240543 |
| 提要文摘： | 云南省是我国小粒咖啡的主要产区，其产量和产值均占全国98%以上。咖啡在生长过程中受到生物胁迫及非生物胁迫两种胁迫的影响，是制约咖啡生产的主要因素。生物胁迫主要指病害及虫害的侵害，非生物胁迫主要指土壤营养素缺乏对咖啡生长的制约。传统采用人工巡查，目视观察的方法对咖啡生长过程中的病虫害及土壤营养元素缺乏的叶面表现进行识别，识别受制于巡视人员的植物保护知识水平等主观因素，本文以选择咖啡叶锈病、咖啡煤污病、咖啡潜叶蛾、咖啡盔蚧四种云南咖啡产区典型的咖啡病虫害生物胁迫及缺氮、缺磷、缺钾三种营养素缺乏非生物胁迫图像数据为基础，应用图片识别技术和目标检测技术分别进行咖啡胁迫因素监测研究。 通过在咖啡基地进行实验构造病害发生及土壤营养素缺乏环境，获取咖啡主要病害叶面表现及土壤营养素缺乏原始图片构建数据集，并应用LabelImg标注软件对原始图片中的典型表型进行标注，作为目标识别模型的训练及验证数据。 对咖啡叶锈病、咖啡煤污病、咖啡潜叶蛾、咖啡盔蚧四种咖啡病虫害胁迫及缺氮、缺磷、缺钾三种营养素缺乏胁迫图像应用卷积神经网络进行识别与分类，选用VGG16卷积神经网络构建模型并进行图片识别实验。 对几种主流目标检测模型进行搭建，应用构建的数据进行训练及验证，以选择表型识别系统的检测模型，主要选择Faster R-CNN、YOLOv5和YOLO v7三个目标检测模型分别应用病虫害及土壤营养素缺乏数据，对检测的准确率及检测实践进行比较，最中选择YOLOv7模型作为咖啡叶面表型识别系统的检测模型。 应用YOLOv7算法对咖啡病虫害叶面表型图片数据及咖啡营养素缺乏图片数据集进行迁移学习训练，并对得到的咖啡胁迫因素识别模型对咖啡病虫害叶面表现及咖啡营养素缺乏叶面表现图片的识别效果进行分析。 本文对咖啡胁迫因素监测进行了系统性的研究，研究表明应用卷积神经网络进行咖啡叶锈病、咖啡煤污病、咖啡潜叶蛾、咖啡盔蚧四种咖啡病虫害胁迫及缺氮、缺磷、缺钾三种营养素缺乏胁迫图像识别与分类准确率可达到96.3%，应用YOLOv7进行目标监测平均准确率达到84.3%，研究成果可用于开发高可靠性的咖啡胁迫预警系统。 |
| 并列题名： | Monitoring of coffee stress factors based on deep learning eng |
| 题名主题： | 咖啡病虫害 营养素缺乏叶面表现 深度学习 图像识别 目标监测 学位论文 |
| 中图分类： | TP391.41-533 |
| 个人名称等同： | 卢筱磊 著 |
| 个人名称次要： | 曹志勇 指导 |
| 团体名称等同： | 云南农业大学 授予 |
| 记录来源： | CN YNAUL 20240301 |