书目详细信息
： 基于深度学习的茶树病虫害智能识别
书目信息 机读格式(MARC)
| ISBN/价格： | CNY20.00(估)缴送 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 530000 |
| 题名责任者项： | 基于深度学习的茶树病虫害智能识别/.王星星著/.杨毅指导 |
| 出版发行项： | 2018.06.13 |
| 载体形态项： | 57页:;+图表:;+30cm |
| 提要文摘： | 茶树病虫害种类多、危害期长，轻则茶叶品质下降，重则茶园毁灭。因此，及时、准确诊断病虫害对茶叶优质高产有着重要的意义。传统的神经网络需要人工进行特征提取等操作，在面对质量不高的图像时，分类准确率不高；而卷积神经网络本身具有特征提取等功能，并且具有很好的鲁棒性和自适应性。 本文从试验田、网络资源、书籍中采集茶树病虫害图片，与版纳植保站和植保学院专家一起对收集的图片进行分类鉴定，为了防止过拟合进行数据预处理（归一化、数据提升）操作。然后，通过对比不同的层次模型，发现深层次的深度学习模型不仅易产生过拟合，且训练时间长。因此，基于深度学习建立三个卷积神经网络模型，分别为：LeNet-5模型；模型A（输入层、3个卷积层（C1,C3,C5）、3个池化层（S2,S4,S6）、3个全连接层（F7,F8,F9）、输出层）；模型B（输入层、4个卷积层（C1,C2,C4,C5）、2个池化层（S3, S6）、3个全连接层（F7,F8,F9）、输出层）。利用以上三种模型对茶云纹叶枯病、茶炭疽病、紫丽盾蝽等八种病虫害进行识别。 最后，利用深度学习框架keras进行模型实现与训练，并在原模型的基础上对模型参数(卷积核大小、batch_size、dropout)和网络层数进行调优，其中，模型B参数设定为epoch=80，batch_size=50，dropout=0.2，识别率最高达98.58%。本文所研究的深度学习识别模型具有一定的应用价值，对茶树病虫害的识别分类有一定的指导意义。 |
| 并列题名： | Tea plant Diseases and Pests Intelligent Recognition Based on Deep learning eng |
| 题名主题： | 茶树病虫害 深度学习 卷积神经网络 keras框架 学位论文 |
| 中图分类： | TP391.41-533 |
| 个人名称等同： | 王星星 著 |
| 个人名称次要： | 杨毅 指导 |
| 团体名称等同： | 云南农业大学 授予 |
| 记录来源： | CN YNAUL 20190516 |