本文主要研究内容
作者吴子娴（2019）在《基于高光谱成像技术的大豆花叶病早期检测与分级方法研究》一文中研究指出：大豆作为一种有着悠久种植历史的农作物,不仅含有丰富的营养物质,还具有抵抗胆固醇的功效。目前,由于轮作周期不断减少,病虫害预防不及时致使大豆产量降低。其中大豆花叶病(SMV)在我国乃至全球大豆种植区均有出现,严重影响大豆产量。因此,大豆花叶病的病情诊断监测显得尤为重要。当前大豆病害检测的研究主要集中在大豆发病中后期,为了实现对大豆花叶病的及时预防,本文基于高光谱成像技术,对大豆花叶病早期检测以及严重程度分级方法进行研究。主要研究内容如下所述:(1)为减轻花叶病对大豆产量的影响,实现对大豆花叶病害早期诊断预警,提出了一种基于SPA2-ELM的大豆花叶病早期检测方法。对接种SC3,SC7大豆花叶病毒七天后的大豆叶片以及正常叶片进行高光谱图像采集,分别采用SG平滑处理和分段多元散射校正对光谱数据进行预处理。采用连续投影算法(SPA)选取9个特征波长SPA1(405、461、522、552、626.6、705、743.4、855、947nm)。为了进一步地减少计算量,再次对其进行SPA处理得到4个最佳特征波长SPA2(461、552、705、855nm),分别采用人工神经网络(ANN)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)模型建立基于全光谱数据和特征波长提取的大豆花叶病早期诊断模型。实验表明,采用SG平滑处理后的模型效果优于采用分段多元散射校正预处理的模型,采用SPA2-ELM模型在去除数据冗余的前提下保持了良好的精度。模型训练集精度达到89.59%,测试集精度达到87.5%。(2)为进一步提高大豆花叶病早期诊断模型的精度,提出了一种基于CNN模型的大豆花叶病早期检测方法。其中模型的卷积层为两层,卷积层中加入ReLu非线性激活函数,池化层中使用Max pooling池化函数。对比采用极限学习机、最小二乘支持向量机模型,无论是不同种类大豆样本集的识别率,还是总体数据集的识别率,CNN模型的识别率都比LSSVM和ELM的高,其模型训练集识别率为94.79%,测试集识别率达到92.08%。(3)为了更好的实现对大豆花叶病的生长监测,提出了一种基于CNN-SVM模型大豆花叶病分级检测方法。将正常生长以及不同患病程度的大豆叶片分为0级、1级、2级,将卷积神经网络模型的全连接层接入支持向量机,从而解决小样本带来的误差,对比单独采用卷积神经网络模型,检测结果更为准确。其中训练集准确率达到96.67%,测试集准确率达到94.17%。证明了用卷积神经网络与支持向量机相结合对大豆花叶病分级检测的可行性,并为基于高光谱图像的大豆花叶病害检测提供了一种新的方向。
Abstract
da dou zuo wei yi chong you zhao you jiu chong zhi li shi de nong zuo wu ,bu jin han you feng fu de ying yang wu zhi ,hai ju you di kang dan gu chun de gong xiao 。mu qian ,you yu lun zuo zhou ji bu duan jian shao ,bing chong hai yu fang bu ji shi zhi shi da dou chan liang jiang di 。ji zhong da dou hua xie bing (SMV)zai wo guo nai zhi quan qiu da dou chong zhi ou jun you chu xian ,yan chong ying xiang da dou chan liang 。yin ci ,da dou hua xie bing de bing qing zhen duan jian ce xian de you wei chong yao 。dang qian da dou bing hai jian ce de yan jiu zhu yao ji zhong zai da dou fa bing zhong hou ji ,wei le shi xian dui da dou hua xie bing de ji shi yu fang ,ben wen ji yu gao guang pu cheng xiang ji shu ,dui da dou hua xie bing zao ji jian ce yi ji yan chong cheng du fen ji fang fa jin hang yan jiu 。zhu yao yan jiu nei rong ru xia suo shu :(1)wei jian qing hua xie bing dui da dou chan liang de ying xiang ,shi xian dui da dou hua xie bing hai zao ji zhen duan yu jing ,di chu le yi chong ji yu SPA2-ELMde da dou hua xie bing zao ji jian ce fang fa 。dui jie chong SC3,SC7da dou hua xie bing du qi tian hou de da dou xie pian yi ji zheng chang xie pian jin hang gao guang pu tu xiang cai ji ,fen bie cai yong SGping hua chu li he fen duan duo yuan san she jiao zheng dui guang pu shu ju jin hang yu chu li 。cai yong lian xu tou ying suan fa (SPA)shua qu 9ge te zheng bo chang SPA1(405、461、522、552、626.6、705、743.4、855、947nm)。wei le jin yi bu de jian shao ji suan liang ,zai ci dui ji jin hang SPAchu li de dao 4ge zui jia te zheng bo chang SPA2(461、552、705、855nm),fen bie cai yong ren gong shen jing wang lao (ANN)、zui xiao er cheng zhi chi xiang liang ji (LSSVM)、ji xian xue xi ji (ELM)mo xing jian li ji yu quan guang pu shu ju he te zheng bo chang di qu de da dou hua xie bing zao ji zhen duan mo xing 。shi yan biao ming ,cai yong SGping hua chu li hou de mo xing xiao guo you yu cai yong fen duan duo yuan san she jiao zheng yu chu li de mo xing ,cai yong SPA2-ELMmo xing zai qu chu shu ju rong yu de qian di xia bao chi le liang hao de jing du 。mo xing xun lian ji jing du da dao 89.59%,ce shi ji jing du da dao 87.5%。(2)wei jin yi bu di gao da dou hua xie bing zao ji zhen duan mo xing de jing du ,di chu le yi chong ji yu CNNmo xing de da dou hua xie bing zao ji jian ce fang fa 。ji zhong mo xing de juan ji ceng wei liang ceng ,juan ji ceng zhong jia ru ReLufei xian xing ji huo han shu ,chi hua ceng zhong shi yong Max poolingchi hua han shu 。dui bi cai yong ji xian xue xi ji 、zui xiao er cheng zhi chi xiang liang ji mo xing ,mo lun shi bu tong chong lei da dou yang ben ji de shi bie lv ,hai shi zong ti shu ju ji de shi bie lv ,CNNmo xing de shi bie lv dou bi LSSVMhe ELMde gao ,ji mo xing xun lian ji shi bie lv wei 94.79%,ce shi ji shi bie lv da dao 92.08%。(3)wei le geng hao de shi xian dui da dou hua xie bing de sheng chang jian ce ,di chu le yi chong ji yu CNN-SVMmo xing da dou hua xie bing fen ji jian ce fang fa 。jiang zheng chang sheng chang yi ji bu tong huan bing cheng du de da dou xie pian fen wei 0ji 、1ji 、2ji ,jiang juan ji shen jing wang lao mo xing de quan lian jie ceng jie ru zhi chi xiang liang ji ,cong er jie jue xiao yang ben dai lai de wu cha ,dui bi chan du cai yong juan ji shen jing wang lao mo xing ,jian ce jie guo geng wei zhun que 。ji zhong xun lian ji zhun que lv da dao 96.67%,ce shi ji zhun que lv da dao 94.17%。zheng ming le yong juan ji shen jing wang lao yu zhi chi xiang liang ji xiang jie ge dui da dou hua xie bing fen ji jian ce de ke hang xing ,bing wei ji yu gao guang pu tu xiang de da dou hua xie bing hai jian ce di gong le yi chong xin de fang xiang 。
论文参考文献
论文详细介绍
论文作者分别是来自浙江理工大学的吴子娴，发表于刊物浙江理工大学2019-05-08论文，是一篇关于大豆论文,高光谱成像技术论文,花叶病论文,极限学习机论文,卷积神经网络论文,浙江理工大学2019-05-08论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自浙江理工大学2019-05-08论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：大豆论文; 高光谱成像技术论文; 花叶病论文; 极限学习机论文; 卷积神经网络论文; 浙江理工大学2019-05-08论文;