【摘要】：圖像與光譜是智能農(nóng)機裝備的重要感知信息,利用感知數(shù)據(jù)進行智能分析決策,是農(nóng)業(yè)裝備智能化的關(guān)鍵。對于這兩類不同的農(nóng)業(yè)數(shù)據(jù)分析任務(wù),機器學(xué)習(xí)都是一條有效的完成途徑。但傳統(tǒng)機器學(xué)習(xí)方法在性能上已難以滿足當(dāng)前農(nóng)業(yè)領(lǐng)域大規(guī)模數(shù)據(jù)的精確處理需求,因此構(gòu)建新型機器學(xué)習(xí)的農(nóng)業(yè)圖像與光譜數(shù)據(jù)分析模型具有重要意義。本文基于機器學(xué)習(xí)前沿的深度學(xué)習(xí)方法分別從智能農(nóng)機裝備的圖像識別和光譜檢測兩個方向進行研究。以田間作物雜草的圖像識別和土壤含水率的光譜檢測為研究目標,充分利用深度學(xué)習(xí)方法自主挖掘與學(xué)習(xí)復(fù)雜數(shù)據(jù)特征表達的優(yōu)勢,有針對性的構(gòu)建和優(yōu)化具有更高性能的圖像識別和光譜分析模型,探索并解決深度學(xué)習(xí)應(yīng)用于農(nóng)業(yè)圖像和光譜數(shù)據(jù)處理中的基礎(chǔ)性研究問題。所開展的主要研究工作和結(jié)論如下:(1)改進傳統(tǒng)淺層機器學(xué)習(xí)方法對作物和雜草的圖像識別進行了研究,提出了基于融合高度與圖像特征的優(yōu)化支持向量機(Support Vector Machine,SVM)識別方法。將作物和雜草在實際空間高度上的差異作為一項識別依據(jù),結(jié)合雙目視覺技術(shù),實現(xiàn)了圖像目標區(qū)域高度特征參數(shù)的提取,計算誤差在±12mm以內(nèi)。提取的圖像特征包括16項形態(tài)特征和2項紋理特征,通過最大最小蟻群算法優(yōu)化選擇形態(tài)特征,降低總體圖像特征數(shù)據(jù)量。融合高度與圖像特征獲得更為全面的特征表達,提高SVM模型對于圖像數(shù)據(jù)的識別能力。根據(jù)處于不同生長時期的作物與雜草樣本圖像,分3個階段建立融合高度與圖像特征的SVM識別模型,獲取更加精細化的圖像識別結(jié)果。基于K層交叉驗證、遺傳算法和粒子群優(yōu)化算法對不同階段SVM模型的重要結(jié)構(gòu)參數(shù)進行優(yōu)化,通過對比分析構(gòu)建最優(yōu)SVM識別模型。測試結(jié)果表明,所建立的融合高度與圖像特征的優(yōu)化SVM識別模型對于作物和雜草圖像的平均識別準確率為98.33%,高度特征參與建模使平均識別準確率提高了 5%。該方法在傳統(tǒng)淺層機器學(xué)習(xí)的基礎(chǔ)上獲得了農(nóng)業(yè)圖像識別性能的提升。(2)利用深度學(xué)習(xí)方法中的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)架構(gòu)對作物和雜草的圖像識別進行了研究,提出采用多尺度CNN模型進行特征學(xué)習(xí)的作物與雜草識別方法。構(gòu)建多尺度CNN模型從原始圖像的高斯金字塔中自主學(xué)習(xí)并提取多尺度分層特征作為識別依據(jù)。不依賴于人為的特征設(shè)計提取過程,從而在最大程度上獲取圖像中可用的內(nèi)部特征信息。多尺度CNN模型由對應(yīng)3個不同圖像尺度的CNN架構(gòu)并聯(lián)組合而成,各CNN架構(gòu)的內(nèi)部參數(shù)跨尺度共享,迫使模型學(xué)習(xí)具有尺度不變性的特征。針對作物與雜草目標顏色相似、位置隨機、葉片易交疊和類內(nèi)差異較大的特點,對CNN模型的整體架構(gòu)、重要結(jié)構(gòu)參數(shù)、分類器選擇、損失函數(shù)定義和訓(xùn)練方法進行較為全面的優(yōu)化與改進,確定最佳CNN架構(gòu)。建立的多尺度CNN模型能夠?qū)崿F(xiàn)圖像中各像素目標的識別,其像素目標平均識別準確率為93.41%。采用多尺度CNN模型與超像素分割相結(jié)合的圖像目標識別策略,先識別像素目標,進而識別作物和雜草目標。測試結(jié)果表明,該方法能夠在識別作物與雜草目標區(qū)域的同時產(chǎn)生準確的圖像分割,有效避免目標交疊所帶來的問題,減少了圖像處理難度。在作物與雜草測試圖像數(shù)據(jù)集上,其平均目標識別準確率達98.92%,標準差為0.55%,識別單幅圖像的平均耗時為1.68s,同融合高度與圖像特征的優(yōu)化SVM識別方法相比,在目標識別的準確率、穩(wěn)定性和實時性方面均有一定程度的提高。對比分析了 CPU和GPU運算硬件對多尺度CNN模型識別速度的影響。測試結(jié)果表明,采用GPU代替CPU運算該架構(gòu),識別單幅圖像的平均耗時減少為0.72s。在作物與雜草的識別速度上獲得了1倍多的提升,進一步增強了實時性。(3)采用CNN架構(gòu)對土壤含水率的光譜檢測方法進行了研究,建立CNN回歸預(yù)測模型用于土壤光譜數(shù)據(jù)的分析。將主成分分析處理后的光譜數(shù)據(jù)變換為二維光譜信息矩陣形式,作為CNN回歸預(yù)測模型的輸入。針對光譜數(shù)據(jù)的實值回歸預(yù)測任務(wù),在CNN圖像識別架構(gòu)的基礎(chǔ)上進行一定程度的調(diào)整與改進,通過試驗對CNN重要結(jié)構(gòu)參數(shù)進行優(yōu)化,確立CNN回歸預(yù)測架構(gòu)。該模型利用卷積與池化操作逐層提取并學(xué)習(xí)光譜特征數(shù)據(jù),采用局部連接和權(quán)值共享減少自由參數(shù),并引入神經(jīng)元抑制策略獲得模型學(xué)習(xí)的稀疏性。輸出層采用與上一層全連接的單神經(jīng)元回歸函數(shù),實現(xiàn)基于CNN架構(gòu)的光譜數(shù)據(jù)實值回歸,同時損失函數(shù)定義為歐氏距離函數(shù),利用預(yù)測值與實際值間誤差的最小化引導(dǎo)CNN模型的訓(xùn)練過程。測試結(jié)果表明,構(gòu)建的CNN回歸預(yù)測模型實現(xiàn)了有效的土壤含水率光譜檢測。在訓(xùn)練樣本達到一定數(shù)量時,CNN回歸預(yù)測模型的預(yù)測精度和回歸擬合優(yōu)度均高于BP、PLSR和LS-SVM三種傳統(tǒng)淺層機器學(xué)習(xí)預(yù)測模型,在少量訓(xùn)練樣本參與建模的情況下,CNN的性能優(yōu)于BP,略低于PLSR和LS-SVM,但是隨著訓(xùn)練數(shù)據(jù)量的增加,CNN的性能也隨之穩(wěn)步提升,達到并顯著優(yōu)于傳統(tǒng)模型水平。因此基于CNN架構(gòu)的回歸預(yù)測模型在大樣本量的光譜數(shù)據(jù)分析任務(wù)中能取得更好的檢測效果,在農(nóng)業(yè)大數(shù)據(jù)環(huán)境下具有重要優(yōu)勢。
【學(xué)位授予單位】：山西農(nóng)業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：S126;TP391.41;TP181

【相似文獻】

相關(guān)期刊論文 前10條

1 劉宣彤;;計算機圖像識別的智能化處理方法分析[J];科技經(jīng)濟導(dǎo)刊;2019年11期

2 趙靜;;淺析深度學(xué)習(xí)在圖像識別中的應(yīng)用[J];襄陽職業(yè)技術(shù)學(xué)院學(xué)報;2019年02期

3 劉飛;張俊然;楊豪;;基于深度學(xué)習(xí)的醫(yī)學(xué)圖像識別研究進展[J];中國生物醫(yī)學(xué)工程學(xué)報;2018年01期

4 陳凱;;人工“智能”圖像識別[J];中國信息技術(shù)教育;2017年Z2期

5 于婷;;計算機圖像識別的智能化處理技術(shù)瓶頸與突破[J];信息與電腦(理論版);2018年21期

6 陳健軍;張俊杰;袁俊來;劉玉彤;王阿川;;學(xué)校食堂菜品圖像識別方法研究[J];黑龍江科技信息;2017年14期

7 龐鴻宇;劉益成;;智能錢幣分類整理機[J];科學(xué)中國人;2017年03期

8 康少偉;;計算機圖像識別智能化處理技術(shù)的研究[J];廣西教育;2016年35期

9 段云濤;王超;;基于圖像識別的食品變質(zhì)檢測技術(shù)[J];飲食科學(xué);2017年06期

10 王健羽;史春耀;衛(wèi)文龍;;論自適應(yīng)3DLBP特征下的人臉深度圖像識別[J];赤子(下旬);2016年12期

相關(guān)會議論文 前10條

1 許西丹;武杰;;基于耦合深度信念網(wǎng)絡(luò)的圖像識別方法[A];第十五屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2017年

2 姜洪臣;任曉磊;趙耀宏;徐波;;基于音頻語譜圖像識別的廣告檢索[A];第十一屆全國人機語音通訊學(xué)術(shù)會議論文集（二）[C];2011年

3 許開宇;徐志京;鄭華耀;;基于小波變換的圖像識別研究[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

4 滕達;宋曉;龔光紅;韓亮;王義;王江云;;深度神經(jīng)網(wǎng)絡(luò)圖像識別魯棒性增強方法研究[A];第十四屆中國體視學(xué)與圖像分析學(xué)術(shù)會議論文集[C];2015年

5 李靈;;情景智能圖像識別和數(shù)字化處理技術(shù)在型式評價試驗中的運用[A];2013年江蘇省計量測試學(xué)會學(xué)術(shù)會議論文集[C];2013年

6 譚璐;易東云;吳翊;袁偉;;基于非線性降維方法的圖像識別[A];第一屆全國Web信息系統(tǒng)及其應(yīng)用會議（WISA2004）論文集[C];2004年

7 ;電腦認人超過人類[A];《科學(xué)與現(xiàn)代化》2015年第1期（總第062期）[C];2015年

8 劉翠響;孫以材;張艷;于明;;基于三控制要素的多項式模糊擬合在人臉圖像識別中的應(yīng)用[A];第25屆中國控制會議論文集（下冊）[C];2006年

9 劉卓夫;廖振鵬;桑恩方;;頻域分形法在聲納圖像識別中的應(yīng)用[A];第十二屆全國信號處理學(xué)術(shù)年會（CCSP-2005）論文集[C];2005年

10 李寶儒;孫鳳杰;范杰清;;基于煙氣圖像識別的火災(zāi)探測方法[A];圖像圖形技術(shù)研究與應(yīng)用2009——第四屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2009年

相關(guān)重要報紙文章 前10條

1 本報記者 沈勇青;莞企站上圖像識別風(fēng)口[N];東莞日報;2018年

2 王眾;看“像”的NEC[N];計算機世界;2016年

3 ;2017年，人工智能將在這些方面帶來震撼[N];電腦報;2017年

4 本報記者 吳艷;人工智能：創(chuàng)新是市場“密鑰”[N];中國知識產(chǎn)權(quán)報;2017年

5 本報記者 陳靜;人工智能：大步流星 聚力前行[N];經(jīng)濟日報;2017年

6 本報記者 何曉亮;“AI+醫(yī)療”：人工智能落地的第一只靴子？[N];科技日報;2017年

7 本報記者 王洋;國產(chǎn)電視從便捷到“聰明”[N];消費日報;2017年

8 中國經(jīng)濟導(dǎo)報記者 荊文娜;人工智能“涉足”醫(yī)療資源下沉基層[N];中國經(jīng)濟導(dǎo)報;2017年

9 上海海事大學(xué)副教授 魏忠;發(fā)展人工智能 教育應(yīng)有作為[N];中國教育報;2017年

10 王月 成都媒體人;別人剛學(xué)會圖像識別，谷歌已經(jīng)開始識別視頻了[N];電腦報;2017年

相關(guān)博士學(xué)位論文 前10條

1 王璨;基于機器學(xué)習(xí)的農(nóng)業(yè)圖像識別與光譜檢測方法研究[D];山西農(nóng)業(yè)大學(xué);2018年

2 冉瑞生;一些矩陣計算問題及其在圖像識別中的應(yīng)用研究[D];電子科技大學(xué);2006年

3 孫權(quán)森;基于相關(guān)投影分析的特征抽取與圖像識別研究[D];南京理工大學(xué);2006年

4 胡元奎;可變光照和可變姿態(tài)條件下的人臉圖像識別研究[D];中國科學(xué)技術(shù)大學(xué);2006年

5 謝鉉洋;SARS醫(yī)學(xué)圖像識別與輔助診斷研究[D];中國科學(xué)技術(shù)大學(xué);2006年

6 劉軍;人臉圖像識別關(guān)鍵技術(shù)的研究[D];北京郵電大學(xué);2015年

7 王宇e，

本文編號：2613068