《三种不同图像识别算法的农业病害自动识别模型研究》8400字.docx

PAGE

PAGE1

PAGE

PAGE1

三种不同图像识别算法的农业病害自动识别模型研究

TOC\o1-2\h\u32226摘要 II

263451.绪论 1

68772.图像识别的常用算法 2

295772.1OpenCV软件 2

98892.2SVM算法 2

179112.2.1SVM基本型 2

118502.2.2基于核函数的非线性SVM 3

45452.3GoogLeNet-v3算法 3

9532.4WRN算法 4

173183.实验设计与实验过程 6

167823.1实验材料与实验设计 6

207963.1.1实验材料 6

324333.1.2评估指标 7

140273.1.3实验设计 7

28803.2实验过程 9

74323.2.1SVM实验过程 9

271123.2.2GoogLeNet-v3实验过程 9

116653.2.3WRN实验过程 10

43283.3实验结果 10

52093.3.1SVM实验结果 10

62303.3.2GoogLeNet-v3实验结果 12

239083.3.3WRN实验结果 13

264584.结论与展望 16

6537参考文献 17

绪论

第

第PAGE1页共18页

第

第PAGE3页共18页

摘要

农业病害防控对提高农作物产量和及其品质意义重大。本文针对番茄、马铃薯、玉米三种农作物叶面常见的9种病害，共13421张样本，利用SVM、GoogLeNetInception-v3（GoogLeNet-v3）和WideResidualNetworks（WRN）三种方法对样本数据进行了病害自动识别模型的研究和分析。

本论文的主要内容包括：（1）用OpenCV及其封装的GrabCut算法对从原始图像数据集随机选取的900张图片进行像素统一和背景分割预处理；（2）用SVM算法对随机选取的原始图像数据集和经过预处理后的数据集进行分类，基于Linear核函数得到其分类准确率分别为78%、81%；对经过处理后的数据集上对比分析了不同核函数的性能，发现Linear核函数的性能最佳，其准确率达81%；（3）用SVM、GoogLeNet-v3和WRN三种方法对原始图像数据集进行分类，发现WRN收敛性较好，分类准确率达98%，优于SVM和GoogLeNet-v3。

实验结果表明：本文设计的方法可在不同程度上识别出3种农作物的病害图像；当样本不充足时，可以使用SVM方法进行图像识别；当样本充足时，采用深度学习WRN方法性能最佳。

关键词：SVM；WideResidualNetworks；GoogLeNetInception-v3；农作物；病害识别

绪论

1.1研究背景与意义

农业病害是影响农业生产的主要危害之一，而农业病害的高效识别、快速监测，是病虫害防治的主要目的。由于农业病害的识别需要具有一定专业技能的人才能完成，而专业技能人员又无法及时到达生产一线，通过对农业病害图像实时采集并用远程智能诊断的方法进行实时识别是目前农业病害识别领域中一个重要的研究方向。

番茄是一种常见的蔬菜，玉米和马铃薯是全球重要粮食作物，利用机器学习研究一种快捷有效的病虫害识别模型，对番茄、马铃薯、玉米产业的发展具有重要的现实意义。然而，目前机器学习在番茄、马铃薯、玉米在农业病虫害识别领域的应用还存在数据样本有限、训练时间长、图像质量要求高等问题，导致无法有效的在农业生产实际中推广应用。

因此，对番茄、马铃薯、玉米三种农作物的病害数据进行研究，找到能有效地识别3种农作物的病害图像方法，为下一步实现基于移动设备在线智能识别提供重要的研究基础，有其必要性。

1.2国内外研究现状

对于如何有效识别农作物的病害图像，国内外有很多专家学者进行了研究，并提出了很多方法。

支持向量机（suppotvectormachines,SVM）是图像识别中最常用的方法之一[1-2]，很多学者使用SVM技术进行了相关研究，并使用SVM技术在图像识别领域进行实验，得到了较好的结果。SVM也是农业病害图像识别中最常用的方法之一，例如：蒋龙泉等基于多特征融合和SVM分类器在对农场大棚植物进行图像识别实验时达到了95.91%的准确率[3]，马雪松通过对图像分割方法和特征参数提取的研究，对花生褐斑病识别达到了95%的识别率[4]，秦丰等提出了基于深度学习和SVM所建立的病害识别模型[5]。

近年来，随着人工智能技术的快速发展，引入机器学习的模型与算法、深度学习的各类网