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: | 基于深度学习的西红柿叶片病害识别研究及应用/.刘笠溶著/.高泉指导 |
出版发行项: | 2023.05.29 |
载体形态项: | 53页:;+图表:;+30cm |
一般附注: | 大数据学院(信息工程学院), 学号2021240537 |
提要文摘: | 西红柿是全球三大贸易蔬菜之一,在全球蔬菜交易中占有重要地位。随着西红柿需求量的不断上升,世界西红柿生产总量及种植规模不断扩大,及时、准确并高效的识别西红柿病害种类并进行综合防治对其产量和质量都有一定的提升。传统的作物病害识别是专家进行判断或种植户根据经验进行判断,这种方法既昂贵又耗时。基于深度学习的西红柿叶片病害识别方法克服了传统病害识别方法的不足,能够准确、高效的识别病害种类,具有一定的应用前景和实用价值。但是现有的大多研究都是基于简单背景下的西红柿叶片病害识别,缺少自然条件下的病害识别,因此本文提出对自然条件下健康的西红柿叶片以及常见的四种叶片病害识别进行研究,分别是早疫病、晚疫病、叶斑病、叶霉病。其主要研究内容如下:
- 采集实验所需图像数据并进行预处理。本文研究需要两类图像数据集,第一类为在学校温室大棚中实地采集的自然条件下西红柿叶片图像,采集完成后对图像进行打标签等预处理用于叶片提取模块中模型的训练,共1200张。第二类是以开源的PlantVillage数据集中西红柿单个病害叶片图像和温室大棚实地采集的单个病害叶片图像以及叶片提取模块中裁剪出的叶片图像作为数据集来源,并对该数据集进行翻转、统一尺寸等预处理后,共4000张图像,该数据集将用于叶片病害识别模块中模型的训练。
- 构建叶片提取模型和西红柿叶片病害识别模型。叶片提取模块采用了目标检测算法YOLOv5,并通过对该算法模型嵌入SE机制、更换FReLU激活函数、添加跳转链路改进后,利用预处理后的自然条件下西红柿叶片数据完成该模型的训练,该模型能够以91.1%的准确率对西红柿单个叶片进行提取,比原有模型提高了2.8%,并将该模块提取到的单个西红柿叶片图像进行规格化处理,以方便叶片病害识别模块进行病害识别。进行叶片病害识别模块研究分别采用了基于Convolutional Block Attention Module(CBAM)和Coordinate attention(CA)注意力机制的ResNet-34网络模型,通过对实验结果的分析对比,最终选择了基于CA注意力机制的ResNet-34模型,训练精度达到96.4%,比原始模型的和基于CBAM注意力机制的ResNet-34模型提高了3.4%和1.5%。
- 西红柿叶片病害识别系统的设计。将最终完成的叶片提取模型和叶片病害识别模型移植入设计好的自然条件下西红柿叶片病害识别系统,用户可以通过该系统实现随时随地对自然条件下西红柿叶片病害的识别,并且该系统会根据识别结果返回相应的防治措施,满足了种植户的实际需求。
|
并列题名: | Research and application of tomato leaf disease recognition based on deep learning eng |
题名主题: | 西红柿叶片病害 注意力机制 目标检测 叶片提取 病害识别 学位论文 |
中图分类: | TP391.41-533 |
---|
中图分类: | S436-533 |
个人名称等同: | 刘笠溶 著 |
个人名称次要: | 高泉 指导 |
团体名称等同: | 云南农业大学 授予 |
记录来源: | CN YNAUL 20240301 |