导读:本文包含了作物识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:作物,卷积,神经网络,病害,遥感,图像,深度。
作物识别论文文献综述
赵学观,马伟,高原源,臧云飞,何义川[1]（2019）在《基于逆透视变换的条播作物早期作物行识别》一文中研究指出根据条播作物田间作业的对行要求,提出了一种新的作物行检测方法.首先通过选取透视图像中底部区域进行垂直投影,获得透视图像中作物行的边缘点并进行逆透视变换,然后基于逆透视变换算法消除图像几何失真,利用骨化算法求取逆透视图像中作物行的骨架线交点集,在逆透视变换图像中根据边缘点对骨架线交点集进行划分,最后对交点集分类后的作物行进行拟合,以获取不同的作物行.通过对300幅不同生长条件下的小麦作物行图像进行识别试验,其行识别拟合结果表明:作物行拟合的平均误差为2.136 7°,标准差为1.024 3°,平均耗时为0.364 7 s,能够满足实时工作要求.(本文来源于《江苏大学学报(自然科学版)》期刊2019年06期）
张博,张苗辉,陈运忠[2]（2019）在《基于空间金字塔池化和深度卷积神经网络的作物害虫识别》一文中研究指出为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别。通过改进YOLOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%。试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别。(本文来源于《农业工程学报》期刊2019年19期）
赵子娟,刘东,杭中桥[3]（2019）在《作物遥感识别方法研究现状及展望》一文中研究指出作物遥感识别是作物面积提取、长势监测、估产和时空分布研究的前提和基础。遥感识别作物方法多样,优势各异,应用性不同。本文系统梳理了基于光谱特征识别作物、基于纹理特征识别作物、基于物候特征识别作物及其他作物遥感识别的方法,归纳总结了每类方法的原理、优缺点和适用范围,指出了需进一步研究和解决的问题,并对今后的发展方向进行了展望,以期为作物遥感识别方法的应用及作物遥感研究提供参考与支撑。(本文来源于《江苏农业科学》期刊2019年16期）
彭勤,高士,彭佳红[4]（2019）在《基于SVM的豆类作物病害识别研究》一文中研究指出病害智能预测识别在农业信息化领域起着重要的作用,也是一实用性很强的应用技术。基于机器学习中的支持向量机SVM分类技术,对豆类病害特征属性进行分类与豆类作物斑病进行智能识别。结果表明,支持向量机SVM建立的识别模型准确率为93.27%,能够辅助豆类作物的生产与科学管理。(本文来源于《电脑知识与技术》期刊2019年24期）
樊东东,李强子,王红岩,张源,杜鑫[5]（2019）在《通过训练样本采样处理改善小宗作物遥感识别精度》一文中研究指出训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。(本文来源于《遥感学报》期刊2019年04期）
郝鹏宇[6]（2019）在《基于多时相遥感数据的作物早期识别》一文中研究指出获取准确的农作物种植分布是农作物生长监测、产量预估的基础。多时相遥感数据能够描述不同作物物候特征的差异,已广泛应用于农作物种植面积提取。本文针对农作物种植面积早期提取的需求和普遍存在的遥感数据缺失、地面样本缺乏等实际问题,从评估数据合成的时间长度,提出新的农作物识别方法等方面开展30m分辨率农作物早期识别研究,为大区域农作物种植面积的遥感提取提供了新的思路。基于本研究使用的研究区和数据,得出如下结论:(1)通过比较不同时间序列密度对作物早期识别的影响,表明日合成的时间序列数据在识别作物时获得的分类精度最高,16天合成时间序列获得的作物识别精度与8天合成时间序列类似。由于在实际情况下难以每天获得10～30m分辨率的多光谱遥感数据,本研究推荐16天合成的方法生成多光谱时间序列数据。(2)本研究评估了不同的特征对作物识别的贡献,结果表明近红外波段和NDVI对作物分类的贡献最大。同时,本研究基于参考时间序列提出了改进的免疫系统网络(IAIN)方法,该方法具备处理不完整时间序列的能力。在此基础上证明较短的时间序列数据可以在研究区的主要作物收获前4～6周获得较准确的识别结果,其分类精度达95%左右。(3)在分类年不能获得训练样本时,本研究提出了基于作物的参考时间序列和往年作物识别结果获得分类年的作物分类训练样本的方法,当时间序列长度为4～8月时,通过这种方法获得的训练样本的正确率和作物识别的精度均已达到95%。(4)通过融合Landsat数据和Sentinel-2数据获得了时间分辨率较高的30m分辨率时间序列数据,使用2017年的30m时间序列数据构建参考NDVI/EVI时间序列,并使用该参考时间序列和30m分辨率时间序列数据在2018年进行30m作物识别。研究区的主要作物可以在收获前6～8周识别,其分类精度高于85%。(本文来源于《中国农业科学院》期刊2019-07-01）
于洋[7]（2019）在《基于远程监测点的作物图像种类自动识别》一文中研究指出随着“互联网+”农业项目的推进,农业园区内设置大批定点摄像头采集作物图像信息,在此过程中产生了大量无标签作物图像,至今图像数量已到无法人工目视识别的程度。因此,急需一种有效的方法实现作物图像种类的自动识别。以往的作物识别有采用遥感等技术获取样本进行人工特征提取,如支持向量机等方法。参阅相关研究可知,支持向量机是较好的分类器之一,但适用于小样本;人工观测需要大量劳动力,且识别精度有待提高;遥感采集的范围较广但易受环境影响。随着图像识别技术的发展,利用机器学习的方法进行作物图像识别已逐渐得到了应用。其中,卷积神经网络是目前流行的机器学习算法之一,并在图像识别等领域使用较广。因此,本研究采用卷积神经网络算法实现作物种类图像识别。首先,基于定点摄像头采集大豆、马铃薯、水稻和玉米作物图像,根据作物各生长期的形态目视分类建立数据集,并采用分层和等距采样的方法对数据集进行随机划分。其中,小样本数据集的训练集为400张,测试集为200张;结合图像增广技术的大样本数据集训练集12620张,测试集6310张。为了节约网络运行时间,将划分后的作物图像进行预处理,包括随机剪裁、缩放、灰度化等。其次,建立叁种作物图像识别模型包括:AlexNet深度网络的模型迁移学习;结合AlexNet深度模型与PSO(粒子群)算法;参照LeNet-5模型结构设计了适用于本研究的作物识别网络模型(LeNet-m)。为了测试模型的泛化能力,先采用小样本数据集进行试验,由于AlexNet模型属于深度模型,为了防止模型过拟合预先使用ImageNet数据集进行模型训练。参阅相关研究,叁种模型先进行5次迭代的等量试验,由于LeNet-m属于轻量级模型,时间允许范围内,模型迭代次数进一步设置为50和100。再次,基于以上迭代步数的小样本数据集,AlexNet模型迁移学习、AlexNet与PSO(粒子群)结合和LeNet-m的最优识别结果分别为85.94%、92.97%和95.5%。考虑叁种模型的识别率、模型运行时间、硬件要求及模型性能等方面,选择对LeNet-m进行模型参数优化。试验表明,基于大数据集的LeNet-m模型识别结果最终可以达到99.38%。最后,为了增强模型的可用性,实现作物种类图像识别的自动化,本研究基于Matlab GUI进行作物图像识别系统设计。对后期有针对性的对作物种类图像的长势、健康状况等实现远程监测智能决策管理具有一定的研究意义。(本文来源于《黑龙江八一农垦大学》期刊2019-06-01）
纪瑞鹏,于文颖,冯锐,武晋雯,张玉书[8]（2019）在《作物对干旱胁迫的响应过程与早期识别技术研究进展》一文中研究指出作物干旱是干旱灾害的主要表现形式之一,严重影响着全球范围的粮食产量。为了积极应对干旱灾害影响,实施对作物干旱的早期精准预警是最行之有效的手段。该文综述了国内外已开展的作物对干旱胁迫的响应过程研究进展,包括干旱临近—发生阶段作物根系、气孔、叶水势等对早期干旱响应的敏感信号和指标;干旱发生—发展阶段中光合作用、蒸腾作用、叶绿素荧光参数、同化代谢与干物质累积等对干旱的响应过程;干旱发展—结束过程中的复水效应与干旱影响损失定量模拟评估技术等;梳理了农业干旱监测预警综合系统的发展和应用情况、农业干旱监测和预警指标种类和应用情况、农业干旱遥感监测方法以及作物干旱地面监测与识别技术等相关成果。探讨了未来通过开展作物对干旱应激响应的生理生态过程机制研究,进而准确捕捉到作物响应干旱胁迫的早期信号,为实现作物干旱的早期识别、提前预警和应对作物干旱灾害的不良影响提供依据。(本文来源于《灾害学》期刊2019年02期）
刁智华,袁万宾,刁春迎,毋媛媛[9]（2019）在《病害特征在作物病害识别中的应用研究综述》一文中研究指出病害特征指作物在感染上病害时,在生理、形态和结构上发生病变特征,而病害识别则是利用提取出的作物病害特征来对作物进行病害识别,通常在病害形状、纹理和颜色作为识别特征的3个重要指标。将图像处理技术应用到病害特征提取识别中的研究与发展,分别从形状、颜色、纹理的特征提取出发,基于部分学习方法的病害识别,对近些年作物病害特征提取识别的应用研究进行综述,分析几种特征在病害识别研究中的优势与不足,并对病害特征在农业检测识别应用的前景进行展望。(本文来源于《江苏农业科学》期刊2019年05期）
谭文军[10]（2019）在《改进卷积神经网络算法研究及其在作物叶片病害图像识别中的应用》一文中研究指出近年来,随着绿色农业概念的提出,作物病害的防治问题受到极为广泛的关注。目前,计算机视觉技术在作物病害识别领域中的应用已经取得了一定的研究成果,然而基于传统机器视觉的病害识别方法需要依赖人工特征选取,难以全面的反应作物叶片病害特性,精确率仍有待提高。卷积神经网络是一种深度学习算法,可有效避免传统计算机视觉技术繁琐的特征选择过程,并实现比传统算法更高的识别精度,但是,现有基于深度学习的叶片病害识别模型存在参数量大等问题。鉴于此,本文以简单背景以及实际复杂背景下作物叶片病害图片为研究对象,改进了卷积神经网络算法并应用于作物叶片病害识别研究中。具体内容如下:(1)针对卷积神经网络模型参数量与计算量大、收敛速度慢的问题,提出了采用深度可分离卷积与全局均值池化相结合的方法改进卷积神经网络以减少参数量与计算量;提出了采用残差连接与加入批归一化层改进卷积神经网络加速模型收敛,实现简单背景下作物叶片病害的快速精确识别。研究结果表明,本文所提出的DW-ResNet算法模型收敛速度较快,残差连接可以提升模型的精度与收敛速度。与基于微调VGG模型和传统机器学习的病害识别方法相比,DW-ResNet算法具有较高的病害识别准确率,在叶片病害分类和病害严重程度分类数据集上的测试准确率分别达到了98.59%与89.16%,模型的推理时间仅为21ms。(2)针对实际环境下复杂背景作物叶片病害识别难度大、所采集的病害数据量小的问题,引入迁移学习策略实现模型参数迁移,进而实现小样本数据集的有效训练。利用简单背景作物叶片病害数据集对轻量级卷积神经网络模型进行预训练,解决广义识别中预训练模型的参数量大以及其对细粒度特征提取能力较弱的问题。针对实际作物叶片病害数据集中类别分布不平衡现象,提出了FL_(multi)损失函数,以加强模型对少数样本类别以及难分样本的学习能力。研究结果表明,本文所提出的FL_(multi)损失函数在处理不平衡数据集时具有较好的性能,相比微调MobileNet-v2的方法,使用FL_(multi)损失函数的DW-ResNet-FL模型抗干扰性能力更强,在加噪测试集上的F1分数仍能达到90.60%,具有较好鲁棒性。另外DW-ResNet-FL算法模型在占用内存大小方面更具优势,占用内存大小仅为2.1MB。综上所述,本文提出的基于改进轻量级卷积神经网络的作物叶片病害识别方法能够实现对实际复杂背景环境下的作物叶片病害高精度快速识别。该研究结果可为作物叶片病害准确、鲁棒诊断提供技术支撑,为作物叶片病害智能识别软件的开发提供借鉴性技术,具有一定的理论研究意义与实际应用价值。(本文来源于《江苏大学》期刊2019-04-01）
作物识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别。通过改进YOLOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%。试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
作物识别论文参考文献
[1].赵学观,马伟,高原源,臧云飞,何义川.基于逆透视变换的条播作物早期作物行识别[J].江苏大学学报(自然科学版).2019
[2].张博,张苗辉,陈运忠.基于空间金字塔池化和深度卷积神经网络的作物害虫识别[J].农业工程学报.2019
[3].赵子娟,刘东,杭中桥.作物遥感识别方法研究现状及展望[J].江苏农业科学.2019
[4].彭勤,高士,彭佳红.基于SVM的豆类作物病害识别研究[J].电脑知识与技术.2019
[5].樊东东,李强子,王红岩,张源,杜鑫.通过训练样本采样处理改善小宗作物遥感识别精度[J].遥感学报.2019
[6].郝鹏宇.基于多时相遥感数据的作物早期识别[D].中国农业科学院.2019
[7].于洋.基于远程监测点的作物图像种类自动识别[D].黑龙江八一农垦大学.2019
[8].纪瑞鹏,于文颖,冯锐,武晋雯,张玉书.作物对干旱胁迫的响应过程与早期识别技术研究进展[J].灾害学.2019
[9].刁智华,袁万宾,刁春迎,毋媛媛.病害特征在作物病害识别中的应用研究综述[J].江苏农业科学.2019
[10].谭文军.改进卷积神经网络算法研究及其在作物叶片病害图像识别中的应用[D].江苏大学.2019
论文知识图
