资源描述：
《基于深度卷积网络的农业病虫害图像分类识别应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
－．？＊＇＇＂＇＊＇＊＇－＞ｖ二：？？＇？＾，．ｋｒ．，■ｆ－Ｊ＾／ｉ￡＊．．．＇＊＼＇？Ｊ＞？－？Ｊ＼．，Ｋｆ．．Ｉ，４，ｉ，？ｆ％？？？ｕ．．－７１＿？■？＊、：＇，－？．ｍ＊＾：．？，：．＾／＇？“，％、、；＇？４＃、Ｙ＿｝．？｝，－？，、：＼－．．＜．？Ｖ，．％ｔ，＂；，？＊■？，？＾？ｆｓ？／？？｛？＇？ｙ？．，．々．，＇？．‘－？．＇．．？．．■，．？１＊ｍ■，■ｔＣ：ｉ．．＾＼＇二．＾漆爽彡大禮＇＇Ｐ！－／．．．．＇＇？＾．．．ｖ，．？？．．ｍ；？＾－＊－■＇：－？１：：■－．．．ＵｉｆｆＶ．：！Ｖ．ｔＶ．硕士专业学位论文＊■＊＇．Ｊ＇？：＇Ｊ＇＾－－－－，＇＇＇－＾■■？４，，Ｓ，？，＾Ｖ：ｉ，－｜ｆＪ，ｒｉｌｉ１＊＇ａ－ｒ４？ｉＳ＼ＪＪｔ＾Ｊ？ｒ．＊．．、’．，？＇Ｉ．．、？．、，…．‘，．‘．＇＇？＇＇？？＂？＇＇＊＇？■＂＞■＊？＇？：ｉ■？－／？＇ｖ；：■ｆ／ｙ，．．．ｉ－：．；，；．Ｘ＼９ｔｖｒ，；；＇＾Ｗｓ＾＇／ｔＶ＂，＂＇＇＊＊■＊＞．／？ｔ？．．ｖ：：、ａ／ｋｙ＼．ｕ＾、Ｊ■．？；＼ｎｉｆ＼基亍深度卷积网络的农业虫病害图像识类分别应用．＇…．、，‘；；．？．■１．．．．、＇：．．＇，：：：，ｖＶＶ＇．，ｔｖ／卜■办麵於Ｖ％＇＇＇＂－？Ｎ？？．，？■－’：－－－－－－？，：ｖ；．．、／：ｖ＾Ｍ＾ｏｗ＿＇：论文：作者顾文璇．＇［Ｉ：指导教副教授师袁操＇＇＇＊■：■ｊ＇？？■－ｖ＞？＊－：．－ｒｃ｝＞／．（？．；ｖ？＾＾％业位类别：业碩士专学农推广业：农业信位领域息化专学：：々一：：．ＭＢ；Ｖ＾＼｜＾；ｖ：讀母所在学院：教学计算机学院智？？？，＂，ｒ、？厂丨ｖ（、＜》？％、）／／、＇＇■＾．？｛＜？＇（－，，．＇？乂＿ｒ－＇．」？■、．：；：，、，ｊ；ｖｎ＞ＫｎＶｒｕ／＊＂＇＇＇＇ｖｖ＇＇＊？■＂：＇＊．■－＾；＊ｎ＊ａ？？－ｙ－＇；■，－■＾＇＼＿ｕｉ；＾？ｔ？＜ｔｓ＊｝ｔｉ．ｊ＞｝ｕＶ％？？ｉ■？？！｝／．．＼＾：－：２０６１７月年＇１＊■？－‘１－＊＾？？－？ｒ？＊■．．？＊：、．Ｓ＞＊、？心．＇ｖＶ，ｉｔ，＾＼，ｉ、｛Ｘｘ‘／、：、（＇＇＇＇－？－＊？＊－？？？＜－－＾■＼，先ｖｖ／＼．ｖ．ＵＩ．．＇．；ｖ．／１．？，．．ｉ．；、．．１ 分类号密级UDC学校代码10496硕士专业学位论文基于深度卷积网络的农业病虫害图像分类识别应用Theapplicationofrecognitionandclassificationofagriculturaldiseasesandpestsimagebasedonthedepthoftheconvolutionnetwork论文作者顾文璇指导教师袁操副教授学位类别农业推广硕士专业领域农业信息化论文提交日期论文答辩日期2017.5.27答辩委员会主席评阅人2017年6月 论文独创性声明，．本人郑重串哽：所呈交的学位论文是本人在导师的指导下独立进行研究工作所取徇的成果，本论文不含任何其他个，除文中己经注明引用的内容外人或集体已经发表或撰写过的研究成果，也不包含为获得武汉轻工大学或其它教育机构的学位或证书而使用过的材料。对本文的研宂做出重要贡献的个人成集体均已在文中作了明确的说明并表示谢意。本人完全意识到本声明的法律贵任和法律后果由本人承担。论文作者签名：反炎文１签念ｎ期：；《丨Ｉ年（月；３曰论文版权使用授权书，本学位论文作者完全了解武汉轻工大学有关保留、使用学位论文的规定．特授权武汉较工大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或其他复制手段保存、汇编，以供查阅和借阅。间竞学校向国家有关部门或机构送交论文的复本和电子文件。（保密的学位论文在解密后适用本授权说明）论文作者签名：导师签名：槔ｊ签字日期：从ｉｌ年６月／多曰签字日期：分年６月４日 摘要随着现代数字技术的发展，中国作为一个农业大国也要实现向数字化农业的方向进行转变。比如在农业种植过程中会需要及时准确的分析农作物病虫情况，从而做出快速准确的反应，采用有严格针对性且剂量精准的农药进行喷洒到受害部位，并保证农作物的健康部分尽量不接受农药喷洒。确保农药的高效性，并对农作物的整个生长过程进行数字化检测，实现高产高效，全面实现农业种植和管理数字化。本文以大豆叶子作为农业研究对象。由于大豆容易在种植中受到各类病虫害的侵害，特别是灰霉病和细菌性斑霉病是最常见的容易造成大豆减产的原因。如何及时发现这两种病虫害并迅速做出精准的措施是关键。首先，本文介绍了农业信息化过程中相关的信息技术和算法，并进行了国内外发展状况的详细分析。其次，随着深度学习技术的不断发展，卷积神经网络在图像分类和识别领域有一定的优势。希望借助于卷积神经网络技术，使其应用于防治农业病虫害的应用中。本文介绍了卷积神经网络的发展，包括卷积神经网络的研究历史、研究意义、工作原理和关键技术。再次，本文详细介绍了农作物健康区域与病虫害区域分割识别时涉及到的基本算法，包括图像预处理、图像增强算法、特征向量提取方法（主成分分析法和独立主成分分析法）、相关优化算法、特征波长提取方法和支持向量机算法。并采用实际样本，使用其相关算法做出初步实验结果，并对其进行分析。最后，研究了基于传统机器学习算法深度卷积神经网络，将深度卷积神经网络应用于大豆叶片病虫害的识别，针对于不同大小的输入数据设计不同网络结构以及所得到分割和识别结果。并与其它传统分类方法进行对比，发现深度学习的算法更为有效。关键词：机器学习；深度卷积神经网络；分类识别；农业病虫害II ABSTRACTWiththedevelopmentofmoderndigitaltechnology,asanagriculturalcountry,thesetraditionalagriculturesshouldbechangedtothedirectionofdigitalagricultureinChina.Suchas,intheprocessoffarming,someusefulinformationofcropdiseasesshouldbeachievedandcanbeanalyzed,sosomeaccurateandeffectiveactionscanbedone.Farmerworkerscanspraypesticidewithdoseprecisioninastrictregion,andensurethehealthypartsofcropsdonotacceptpesticidespraying.Toensurethepesticidescanbesprayedefficiently,andthewholegrowthprocessofcropsplantingcanbedetecteddigitally,highproductionandqualitycanbeachieved,andrealizedigitalmanagementofagricultureplanting.Inthethesis,thesoybeanleavesastheresearchobject.Becausethesesoybeanleavesarediseaseseasilybyallkindsofdiseasesandinsectpestsinthesoybeanplanting,especiallymouldandbacterialspotmildewarethemostcausestodecreasetheproductionofsoybean.Howtofindthesetwokindsofplantdiseasesandinsectpests,andhowtomakeaccurateandeffectivemeasurementsquicklyisthemostimportantway.First,theserelevantagriculturalinformationtechnologiesandalgorithmswereintroducedinthefirstchapter.AndalotofinformationaboutagriculturalinformationtechnologiesandalgorithmsinChinaandabroadwereanalyzedinthearticle.Second,withtherapiddevelopmentofdeeplearningtechnology,theconvolutionneuralnetworkhascertainadvantagesinthefieldofimageclassificationandrecognition.Theconvolutionneuralnetworktechnologycanbeusedintheapplicationofagriculturalplantdiseasesandinsectpests.Thedevelopmentoftheconvolutionneuralnetworkwasintroducedinthepaper,includingthehistoryofconvolutionoftheneuralnetwork,studysignificance,workingprincipleandtheseimportanttechnologiesofit.III Thirdly,howtodistinguishcrophealthregionsegmentationandplantdiseasesandinsectpestswereintroducedinthepatternrecognitionfield.Somethebasicalgorithmsandtheorywereintroducedinthepaper,includingimagepreprocessing,imageenhancementalgorithm,featurevectorextractionmethod（principalcomponentanalysisandindependentprincipalcomponentanalysis）,therelevantoptimizationalgorithm,featurewavelengthextractionmethodandsupportvectormachine(SVM)algorithm.Theseexperimentsoftherelatedalgorithmcanbedonebytheactualsamples，someresultscanbecomparedandanalyzed.Finally,basedontraditionalmachinelearningalgorithms,thetheoryofdepthoftheconvolutionneuralnetworkcanbeusedinsoybeanidentificationofplantdiseasesandinsectpests.Becausethedifferentsizesoftheinputdata,thedifferentnetworkstructurecanbedesigned,sothesegmentationandrecognitionresultsareobtained.Andcomparedthedifferentofresultscanbecomparedbetweenthetraditionalclassificationmethodanddepthoftheconvolutionneuralnetwork,foundthatdeeplearningalgorithmismoreeffective.KEYWORDS:machinelearning；thedepthoftheconvolutionneuralnetwork(DCNN)；classificationrecognition；agriculturaldiseasesandpestsIV 目录摘要...................................................IABSTRACT...............................................III目录...................................................V第1章绪论.............................................11.1研究的背景及意义...............................................................................11.2国内外研究的现状及存在的问题.........................................................21.2.1快速检测植物虫害信息的研究现状及问题...............................31.2.2快速检测植物病害信息的研究现状及问题...............................41.2.3信息技术在大豆病虫害监测领域存在的问题...........................61.3主要研究内容及章节安排....................................................................6第2章卷积神经网络的基本介绍...........................82.1卷积神经网络的研究历程....................................................................82.2卷积神经网络的研究意义....................................................................92.3卷积神经网络的结构、工作原理及关键技术....................................102.3.1卷积神经网络的结构...............................................................102.3.2卷积神经网络的工作原理.......................................................132.3.3卷积神经网络的关键技术.......................................................142.3.4卷积神经网络存在的问题.......................................................14第3章农作物分割的相关技术与算法.......................163.1图像增强............................................................................................163.1.1灰度变换..................................................................................163.1.2直方图均衡化法.......................................................................173.1.3图像平滑..................................................................................183.1.4图像边缘提取算法...................................................................213.2特征向量提取方法................................................................................243.2.1主成分分析法..........................................................................24V 3.2.2独立主成分分析法...................................................................253.3优化算法............................................................................................253.4特征波长提取方法.............................................................................253.5支持向量机.........................................................................................27第4章深度卷积神经网络分割算法及应用...................284.1深度卷积神经网络分割算法..............................................................284.2深度卷积神经网络结构......................................................................284.2.1卷积层......................................................................................294.2.2最大池化下采样层...................................................................294.2.3全连接层..................................................................................304.2.4Softmax分类层.......................................................................304.3深度卷积神经网络算法......................................................................304.3.1Logistic回归............................................................................304.3.2Softmax回归............................................................................314.3.3Sigmoid转移函数.....................................................................314.3.4损失函数..................................................................................314.3.5随机梯度下降法.......................................................................324.4提取训练数据.......................................................................................324.5算法实现............................................................................................334.6实验结果..............................................................................................354.7本章小结..............................................................................................36第5章总结与展望.......................................375.1总结....................................................................................................375.2展望....................................................................................................38参考文献................................................39致谢..................................................43VI 第1章绪论第1章绪论1.1研究的背景及意义在中国，自古以来就有以农治国的传统。近年来，全球气候加剧恶化，生态环境越来越脆弱导致农作物病虫害的现象愈发严重，由于植物生长环境质量的下降，加快了病虫害的传播速度，及时获取和识别农作物中病虫害信息才能有效的采取防治措施。随着精准农业的兴起，将信息技术运用到农业生产中为识别农作物中的病虫害提供了新的思路。在大豆的生长过程中，植株经常会受到灰霉病和细菌性斑霉病的危害。灰霉病是一种真菌病害，对大豆的生长会造成比较大的影响。大豆作为我国重要食用油的来源之一，在我国的粮食储备中起到了举足轻重的作用。我国东北地区是盛产大豆的主要地区，该地区的大豆作物经常遭受病虫害，发生灰霉病和[1]细菌性斑霉病的概率达到了10-30%，严重影响了大豆的产量。大豆在受到真菌病害感染的不同阶段所表现的状态是不同的，在大豆叶片受到病菌感染初期用肉眼无法进行辨别，经过48小时后大豆叶片表面生成圆形或不规则病斑，不过由于病斑表现的状态不是特别清晰，因此特别容易被人们忽视，需要专业人士才能对此作出准确的判断；在此之后病斑颜色由黄褐色变成褐色、面积也逐渐扩大，从而影响大豆作物的生长。针对判断大豆作物受到灰霉菌病菌侵害程度及时间的问题，利用计算机视觉技术可以达到快速无损的效果。在大豆生长初期，无损预测大豆灰霉病的情况有助于控住病情，从而提高大豆产量。苜蓿盲蝽是抑制大豆生长的常见害虫之一。当大豆叶片受到苜蓿盲蝽的啄咬时容易产生空缺，不仅会影响其生长甚至还会导致死亡，而且处于亚健康的大豆对其它病害的免疫能力也会下降。只有及时了解虫害的程度并采取相应措施，虫情才可以得到有效控制，大豆植株便能得到更好的保护。一般而言，通过大豆叶片被侵蚀的面积大小可以判断大豆的受害程度，利用计算机视觉技术对叶片受害程度进行监测能及时地获取到叶片受害的信息，这样方便农民根据实际情况合理的施用杀虫剂，同时也能降低农药对环境的影响。在植物的组织1 武汉轻工大学硕士专业学位论文结构中，植物传送养分和水的主要管道称为叶脉，通过对其形态的研究可以进一步了解植物的生理信息，同时对植物中各种养分含量的分析提供基础。针对遭受苜蓿盲蝽迫害的叶片，通过提取其叶脉可以更好的了解到叶片上的信息。目前有很多研究人员通过提取正常叶片的叶脉进行了相关研究，但是由于叶片上并没有病害信息，所以只需识别叶脉与叶肉之间的色差，相对于有病害的叶片，健康叶片中的叶脉更容易辨别。然而对遭受苜蓿盲蝽侵害的叶片，被侵害的部位由于养料的流失颜色会变黄而且还有虫斑虫洞，在对叶脉边缘进行辨认时很难避免由这部分色差所产生的多余边缘部分。针对识别受害叶片上的叶脉可以使用以计算机视觉技术为基础的叶脉识别方法。1.2国内外研究的现状及存在的问题以往对植物病虫害的检测，常常使用的是目测手查法。这种方法不仅需要检测人员有相当专业的知识和丰富的工作经验，而且在整个检测过程中人工计数和统计运算都极为复杂。目测手查法无法满足目前对病虫害信息实时监测的要求也无法实时采用防治手段。特别是植物在受害初期有些病虫害的症状极为相似，用目测方法很难予以区分。数字农业主要融入了农业、现代信息及人工智能技术，在当今农业发展的过程中数字农业已然成为不能缺少的技术。现代农业和高科技相结合有效地提高了作物病虫害监测的实时性和精准性。数字农业能使植物的整个生长过程得到精细化的管理，主要是因为对于植物中存在的病虫害情况，数字农业对获取信息的及时性与准确性的要求更高。根据叶片的受害程度来确定农药的喷洒剂量，数字农业对农药喷洒剂量的精准度要求非常高，这必然成为实施精准化管理最为关键的一步。在数字农业领域识别受害植株中叶片的具体受害部位可以利用智能化的检测方法对植株进行实时监测，通过该方法准确辨别植物叶片的受害程度。计算机视觉技术主要以图像处理为基础。该技术在检测病虫害的过程中对受害植物的组织、病斑的边缘或对害虫的虫体进行提取，通过植物的受害面积和虫体量得到植物的受害程度，从而采用有效的防治措施。计算机视觉技术主2 武汉轻工大学硕士专业学位论文要针对研究对象的形态特征，采集的图像数据信息一般是通过肉眼就能感知的波段，所以能采集到的数据量相对较少。1.2.1快速检测植物虫害信息的研究现状及问题[2]2000年，Delwiche利用高光谱成像和机器视觉技术分别对健康和受虫害的小麦籽粒进行分析研究用于了解小麦的受害情况。[3]2001年，陈佳娟等对棉花的受害情况进行研究，以计算机视觉技术为主导技术，利用边缘跟踪和膨胀算法分别来确定叶片空洞和叶片边缘的残缺，通过观察两者的情况来判断其受害程度。其研究过程主要是以一个完整的叶片作为模板去处理叶片边缘的缺损，但是每片叶子的形状都有所差异，因此只用一片叶子为模板去处理全部的残缺叶片所得出结果的精确度是不可观的。[4]2010年，钟取发等利用将叶片轮廓看成多边形，让受害叶片的轮廓与完整的叶片进行自动配准的方法对叶片虫害情况进行检测，根据叶片相互之间的映射关系对叶片进行重建，以此得到叶片受害面积的大小。这是一种在以叶片作为模板的基础上，让受损叶片与完整的叶片自动配准来测量叶片受损面积的方法。对10种不同类别的叶子通过该方式进行试验，结果证明：该方法是可行的，而且准确、快速、有效。[5]2010年，Liu等对水稻进行研究，识别健康、受稻飞虱迫害以及受稻曲病侵害的水稻并进行分类。主要方法是通过采集水稻的光谱数据，结合主成分进行分析并建立支持向量机分类模型,这种分类的精确度达99.14%。[6]2012年，Zhao等针对遭受稻飞虱迫害的水稻植株，提出了一种新的高光谱波段优选算法便于对水稻的受害情况进行实时监测，同时根据受害像素的数目来辨别植株的受害情况。在作物虫害监测方面，上述研究使用光谱技术和图像处理技术所得到的监测结果精确度较高。也有研究人员对叶子上虫体进行研究来判断植物的虫害信[7]息，如Habib将棉田中的虫体进行自动分类，主要使用的方法是通过神经元模糊法构造了集成自动虫害管理系统和基于人工神经网路和模糊逻辑的非模型的软计算技术对棉田害虫进行识别和分类。3 武汉轻工大学硕士专业学位论文从以上文献中可以得出虫害信息能通过两个途径来获得:（1）依据受害植物叶片上的害虫和种类；（2）依据受害植物叶片的破坏程度和类型。针对不同形态的叶片，采用的方式也会不同，例如：针对叶片形状较大的植物，可以直接观察叶片上被害虫侵蚀的面积来判断受害程度；针对叶片细长的植物，可以通过受害叶片上化学成分的变化来判断植物的受害程度，较为严重的时候也能直接观察到其颜色的变化。1.2.2快速检测植物病害信息的研究现状及问题在数学农业范畴中检测植物的病害一直都是热门研究。在植物病害检测中使用光谱技术最早是基于反射光谱数据的研究，目前已经有很多研究人员在使用成像技术和图像处理技术的同时，结合光谱技术对植株受害程度及植物的生理状况进行更准确地分析。在图像处理过程中，利用多光谱和高光谱技术可以将反射光谱数据映射成其灰度值可以将数据细化到像素单位，这样更有利于分析植物的生理状况，结合现代数字图像技术可以更清楚地看到光谱反射率与植物生理状况之间的联系。[8]2007年，王海光等根据小麦受到小麦条锈病的严重程度进行等级划分。这项研究主要应用的技术是高光谱技术。实验中将叶片的严重程度分为8个级别，对处于不同级别的叶片使用支持向量机进行分析，分类的精确度达到了97%。但是该项实验只是依据高光谱数据进行分类研究，并没有分析图像信息，故而存在一定的缺陷。[9]2007年，蒋金豹等研究发现红边和绿边核心区内一阶微分总和的比值和病情指数之间具有极其明显的线性负相关性,利用这个关系能够对植物病害的信息进行监测和反演。[10]2009年，郭洁滨等对混杂小麦条锈病的病情数据与光谱数据之间的相关性进行了分析研究，着重分析了在可见光和红外光区域小麦冠层反射率与病情指数之间的关系，主要分析方法是通过4个光谱参数构建病情指数回归模型。分析结果表明高光谱技术可以对不同小麦条锈病病情指数进行反演。4 武汉轻工大学硕士专业学位论文[11]2010年，蒋金豹等通过对高光谱遥感数据的红边和黄边区域进行提取并将两区域之间的距离作为变量建立模型。使用这种方法可以提前12天辨别小麦是否受害。在上述对小麦病害的研究过程中，仅仅只是根据光谱特征信息进行了分析，并没有结合其图像特征。如果分析时能将以上两项结合起来，那么研究的结果会更加精准。[12]2005年，Moshou等对早期的小麦条锈病进行实时诊断，研究过程主要利用自组织神经网络与高光谱反射图像并结合多光谱劳光图像，该项实验结果精确度达到了94.5%。[13]2009年，吴迪等利用可见近红外反射光谱数据、变量标准化和多元散射校正预处理技术，初步确定水稻穂颈癦染病受损程度分级鉴别模型,将无信息变量消除法与连续投影算法相结合选取敏感波段并建立组合模型来对实验进行辨别。[14]2009年，冯雷等对早期的水稻病情进行分析，实验主要是通过多光谱成像技术提取绿、红、近红外三通道的数据来建立水稻叶痕病分级检测模型，针对处于营养成长期的水稻，对其苗瘟和叶瘟进行分辨，该实验的精准率为98%和90%。[15]2010年，Liu等将水稻病害程度进行等级划分，实验主要利用了神经网络和主成分分析技术,通过对水稻高光谱反射数据的分析将受真菌病感染的水稻穗分为未感染、轻度感染、中度感染和重度感染四个病害等级。分别利用数据的原始对数、逆对数、一阶导和二阶导来建立学习向量量化神经网络,分类准确度最高可达100%。结合小波分形分析方法，通过提取敏感光谱参数,对水稻受重金属污染情况进行监测。实验结果说明了：小波变换可以用于降低光谱数据中的噪音并增强数据中重金属污染的信息，同时结合小波分形分析方法可以对受重金属污染的水稻情况进行检测。综上所述，在国内外针对植物病虫害的研究中，研究的机理都是基于健康植株与受害植株之间光谱信息的差别。不同的植物由于遭受的病虫害不同所显现的特征也会有所差异。最早的实验是在植物受害初期病症特征不明显的时候5 武汉轻工大学硕士专业学位论文区分健康植物和病害植物，随后越来越多的研究人员开始利用成像技术按植物病害等级进行区分，由于其病害等级是依据叶片上病斑的大小和数目所判定的，那么就可以利用成像技术与图像处理技术相结合对植株进行分析，并通过像素来识别植株受病虫害的情况。总之，通过以上两个方面研究植物的病虫害信息，从目前的研究看来，大多是针对植物病害信息的研究，而对虫害的研究相对较少。一方面是因为害虫的体积通常较小；另一方面由于害虫的活动相当敏锐以致于无法有效的控制。这对于实验准备阶段造成了很大的不便。1.2.3信息技术在大豆病虫害监测领域存在的问题就目前的研究看来，在大豆病虫害监测方面主要存在以下两个问题：（1）针对大豆病虫害的研究较少；（2）从目前少量以计算机视觉、遗传算法和支持向量机等相关技术为基础的研究中可以看出：目前对于农作物的分类和识别率并不是十分理想，使用深度学习领域的知识应用在农作物的病虫害诊断和预测上尚不成熟。1.3主要研究内容及章节安排本论文主要研究在大豆生长过程中能快速获取和识别病虫害信息的关键技术。把研究对象定为我国北方种植较为广泛的大豆作物，由于大豆作物受到灰霉病和细菌性斑霉病的侵袭，不利于大豆作物健康生长，对我国大豆储备有潜在不利因素。随着农业化信息技术的发展，可以主要根据植株的受害程度，研究能够快速、准确地提取相关信息的技术，并及时、有效的采取防治措施，同时抑制病虫害的快速扩散。近些年机器学习在各个领域的应用发展迅猛，特别是深度卷积神经网络对于目标的分类识别方面有一定的优势。本研究是以深度卷积神经网络、数字图像处理和计算机视觉技术对大豆病情虫情实时监控的方法和相关理论机制为基础。全文共分五章，具体内容安排如下：6 武汉轻工大学硕士专业学位论文第一章主要阐述大豆作为一个重要农作物在生长过程中容易受到一些病虫害的侵袭，随着农业信息技术的发展，需要对其进行实时监控并快速准确分析出病虫害的程度。同时也对目前在农业信息化进程中，各类技术在各类农作物及农产品的分类、识别和分析预测方面的应用以及国内外的相关技术和发展进行简单的介绍。最后说明信息技术在大豆病虫害监测领域存在的问题。第二章详细介绍了卷积神经网络的基础知识，包括卷积神经网络的发展历史和其研究的意义。接着介绍了关于卷积神经网络的结构、工作原理和关键技术以及卷积神经网络的应用范围和目前使用中存在的问题。第三章介绍了农作物图像分割过程中需要的相关技术与算法，本文主要对大豆叶子进行分割和识别，对于预处理的过程，特征提取和优化算法等相关方面需要介绍相关算法和技术。本章主要介绍了灰度转换、直方图均衡化、图像平滑和边缘提取算法。在特征向量提取方面，主要介绍了主成分分析法和独立主成分分析法。最后简要介绍了特征波长提取方法和支持向量机算法。这些是传统的分类识别中涉及的相关技术与算法。第四章的主要内容是将深度卷积神经网络应用于大豆叶子病虫害的分类识别中去。首先，本章主要介绍了深度卷积神经网络分割算法。其次，详细说明了深度卷积神经网络的算法，通过原始图像数据训练不同结构的深度卷积神经网络模型，分别对每套图像数据进行测试得到树叶分割结果，通过比较获得较优的网络结构。最后通过对该算法的实验结果与传统机器学习算法的分类识别结果进行分析和比较，该算法所获得的树叶分类识别结果更为有效。第五章是全文工作的总结和对后续工作的展望。7 第2章卷积神经网络的基本介绍第2章卷积神经网络的基本介绍[16]卷积神经网络提供了一种端到端的学习模型。在计算机视觉研究领域中，对图像的特征进行提取及分类一直都是非常重要的研究方向。在神经网络领域中，相较于其他方法，卷积神经网络最大的不同在于上层的部分区域利用共享权重的卷积核来推导下一层的特性，正是因为这一点卷积神经网络更加适用于图像特征的学习和表达。2.1卷积神经网络的研究历程[17]早期的卷积神经网络例如LeNet-5模型结构非常简单，主要是应用于在比较单一的计算机领域中，如：手写字符识别、图像分类等。随着对卷积神经网络的深入研究，不断的优化网络结构，使其用途越来越广。例如：已成功应[18]用于人脸特征提取中的卷积深信度网络是由卷积神经网络结合深信度网络产生的以及AlexNet应用在海量图像分类领域等。在卷积神经网络研究的历史中可以看出其主要经历的三个研究阶段：（1）提出理论：Hubel等在20世纪60年代以猫作为研究对象，从对其视觉皮质细胞的研究过程中产生了感受野这个概念。Fukushima于1980年在基于感受野的概念上提出了神经认知机，它是一个多层自组织神经网络模型，在这个模型中上层的局部感受野激发得到下层的响应，模式的识别不会因为位置、形态及尺度等因素而受到影响。它可以说是第一个实现卷积网络的神经网络，同时，在人工神经网络领域中，同样也是第一次运用到感受野。该网络模型中采用的学习方式是无监督学习，这种学习方式也是在早期对卷积神经网络的研究中非常[17]重要的一种方式。（2）模型实现：Lecun等在1998年运用了以梯度的反向传播为基础的算法对网络进行监督训练，由此提出了LeNet-5。通过卷积层与下采样层的交替连接，原图像被经过训练后的网络转换成为特征图，最后图像的特征表达会通过全连接的网络进行分类。然而LeNet-5的成功使得卷积神经网络成为更多的学术研究人员的关注点，并且在物体检测方面以及语音识别和人脸识别方面对于卷积神经网络也慢慢展开研究。（3)广泛研究：2012年，在8 武汉轻工大学硕士专业学位论文ImageNet图像分类的竞赛中，Krizhevsky等提出的AlexNet以高出第二名11％的准确度夺得桂冠，这一成功让卷积神经网络瞬间成了大家关注的焦点。随着AlexNet的广泛应用，更多新的卷积神经网络模型逐渐开发出来，比如VGG、GoogleNet、ResNet等，这些网络模型刷新了AlexNet在ImageNet上创造的纪录。除此之外，在传统算法中融入卷积神经网络并且加入迁移学习方法使得卷积神经网络的应用范围迅速扩大。典型的应用有：3D卷积神经网络就是一个面向视频的行为识别模型。2.2卷积神经网络的研究意义尽管对卷积神经网络的研究已经取得了许多成果，但仍然存在许多值得我们去研究和探索的问题，其意义主要表现在以下三个方面：[19]（1）理论研究。卷积神经网络是一种基于生物学的研究方法。在一些学术研究中使用到的研究方式都是通过实验得到相应的结果，并将此结果作为研究依据。最为典型的是GoogleNet网络结构中的Inception模块以及VGG的深层网络等这些方法都只是通过实验来证明其可行性并没有运用严谨的数学验证方式，主要是因为目前卷积神经网络的数学模型并没有经过严格完整的数学检验及解释。在学术研究方面，如果没有理论研究为支点，那么对于该项课题的研究是不够完善的，并且没有严谨的理论基础使得对卷积神经网络的研究是无法持续发展的。所以在目前的研究过程中，加强卷积神经网络的理论研究是其中不可或缺的一部分。[20][21]（2）特征表达。在现有的研究中，通过SIFT、HOG等这些具有代表性的研究可以看出：人工设计特征已经呈现了良好的表达效果。卷积神经网络是具有分层学习特征的深度学习模型。从研究的结果可以看出，在学习到的特征这一项中，卷积神经网络比人工设计特征更具辨别及泛化能力。在对计算机[22]视觉的研究中，特征表达是最基础的研究之一，所以通过卷积神经网络获取信息的特征表达，来获得辨别力更强、更广泛的特征，这将会对计算机视觉领域有着深远的影响。[17]（3）应用价值。卷积神经网络从最早应用在简单的手写字符识别领域9 武汉轻工大学硕士专业学位论文逐渐延伸到人工智能发展领域。最近，Google将卷积神经网络成功应用在人工[23]智能围棋程序AlphaGo中，并在围棋挑战赛中击败了欧洲乃至世界冠军。卷积神经网络的应用前景从目前的研究形式看来是非常可观的，但与此同时也存在很难攻破的研究难景，例如：第一，研究如何将卷积神经网络更加合理的运用到新的模型里；第二，对其网络结构如何进行改进以便提高网络对特征的学习能力。2.3卷积神经网络的结构、工作原理及关键技术2.3.1卷积神经网络的结构典型的卷积神经网络结构主要分为输入层、卷积层、下采样层、全连接层和输出层。如图2.1所示：图2.1典型的卷积神经网络结构X表示输入的原始图像，第i层的特征图为Hi(H0=X)。若Hi是卷积层，第i层卷积核的权值向量为Wi，bi为第i层的偏移向量，卷积核与第i-1层图像进行卷积操作用“○×”表示，第i层的特征图Hi产生的过程为：f()（2.1）HiHi1Wibi卷积层之后一般为下采样层，若Hi是下采样层，则：Hisubsampling(Hi1)（2.2）基于输入的概率分布Y，当原始矩阵（H0）经过多层次的降维或变换，第i个标签类别用li代替。Y的数学模型可以表示为：YiP(Lli|H0;(W,b))（2.3）将损失函数L(W,b)最小化是网络训练的目标，残差是指通过计算前向传导后损失函数的误差与期望值差异，均方误差函数（MSE）为最常用的损失函数。10 武汉轻工大学硕士专业学位论文|y|12MSE(W,b)(Y(i)Yˆ(i))（2.4）|Y|i1损失函数通过增加L2范数，并通过参数λ来减轻网络的过拟合强度。TE(W,b)L(W,b)WW（2.5）利用梯度下降方法对训练过程中的卷积神经网络进行优化。残差进行反向传播，对可训练参数(W和b)进行逐层更新。残差反向传播的强度用学习速率参数（η）来控制：E(W,b)WiWi（2.6）WiW,b)bibibi（2.7）Lecun等设计了将输入的图像通过交替连接的卷积层和下采样层进行前向传导，最后利用全连接层输出概率分布的结构-LeNet-5模型。该模型是目前卷积神经网络结构中普遍采用的原型。尽管在手写字符识别LeNet-5取得的成果显著，其缺点还是非常明显的，主要包含以下几点：（1）对更复杂的应用需求，很难找到适合的训练集进行训练；（2）LeNet-5中存在的过拟合问题使得网络的泛化能力较差；（3）对于网络结构的研究，存在限制性的因素：网络训练开销大以及硬件性能支持不足。以上三个重要的制约因素的解决方法在近期的研究中有了突破性的进展，目前已然成为卷积神经网络中新的研究热点。并且，目前为了提升网络数据的拟合能力，很多学者针对卷积神经网络的结构和深度方面进行了进一步的研究。对于LeNet-5存在的缺陷，Kfizhevsky等利用5层卷积网络设计了超规模的AlexNet，其中大约包含了65万个神经元，可训练的参数达到了6000万个。另[24]外，其训练数据集是运用了ImageNet大型图像分类数据库。ImageNet中的图片类别达1000个，图片数量有120万张，这些都远远超过了以前的数据集。另外，AlexNet在硬件方面应用了高于传统CPU10倍以上的GPU进行训练。在过11 武汉轻工大学硕士专业学位论文[25]拟合方面，AlexNet使用了dropout减轻网络的过拟合问题。基于AlexNet，Simonyan等主要研究卷积神经网络的深度，用3×3的卷积[26]核构建了一个网络-VGG网络。将在图像分类中不同深度的网络性能进行对比，实验证明了提升网络的深度有利于图像分类测试准确度的提高。但是这种深度的提升是有一定限度的，VGG网络最佳的深度为16-19层。若所使用的网络深度已经达到最佳状态，那么在该深度的基础上继续增大层数会导致训练误差加大，由此便会造成网络退化的问题。对于深度网络退化的问题，He等分析认为若每个增加的层次都受到了优化训练，那么网络误差是不会随着深度增大而增大的。通过这一点分析得出:网络中产生网络退化就表示结构中并不是每一层得到的训练都是一样的完善。一种[27]新型的网络结构假设F（x）为原网络的非线性映射，那么通过shortconnections把低层的特征图直接映射到高层的网络的映射关系等于F（x）+x，此结构称为ResNet网络结构。利用极端思维，假设x是一个已经优化的映射，那么映射经过训练后F（x）+x的值会接近0。这个假设可以证明在一定程度上数据的前向传导通过shortconnection时可以忽略一些训练不完善的层次可以将网络的性能提升。经实验可以得出以下结论：ResNet和VGG有相同的地方也有不同的地方，两者的相同之处主要是使用的卷积核大小相同，然而其不同之处在于ResNet在解决了网络退化问题的前提下可以构建一个152层的网络而且训练误差也会比较小，最后测试的准确度更高。即便ResNet在某方面有一定的优势，但是在深度网络中存在未完善训练的层次，故而对于深层网络的研究还是会有以下几个问题：一、如何才能将这些层次准确的判断出来；二、到底是何原因导致这些层次得到的训练不是很完善；三、如何处理这些层次。除了研究卷积神经网络的深度之外，Szegedy等人更加专注的研究如何将复杂的网络进行简化。从而他们设计了一种卷积神经网络叫做Inception的基础模块，如图2-2，该模块的构成是用1×1，3×3，5×5的卷积核，使用小尺度的卷积核有以下两个优点：一、训练参数的数量得到了有效的控制；12 武汉轻工大学硕士专业学位论文二、在同一图像中，在多尺度上利用大小不同的卷积核进行提取特征试验，从实验中可以得出，GoogleNet相较于AlexNet，虽然在训练参数量上用Inception构建的GoogleNet比后者少了91.7%，但是在图像分类的准确度上却比其高10%左右。图2.2Inception模块另外，Springenberg等针对卷积神经网络结构中是否需要下采样层的问题进行研究，从而设计了一个没有下采样层的“完全卷积网络”。该网络结构相较于传统模型结构更为简单，但是其性能一点都不比传统模型低。针对卷积神经网络的结构可以从多方面进行研究，依照现有的研究情形，目前研究的主导方向有两个：一、增加其深度；二、通过对网络结构的优化从而降低复杂度。在研究卷积神经网络的深度问题方面，重点关注的便是网络中存在的问题需重点分析和研究。主要的隐患包括：网络退化，这样有利于对网络的训练问题进行解决。在对网络结构进行优化的问题上，现在的主导方向是对当前的网络结构进行更深一步的分析与理解，将现有的网络结构进行简化，主要可以从两方面进行解决：一方面降低了网络的复杂程度，另一方面也提高了网络的性能。2.3.2卷积神经网络的工作原理卷积神经网络的工作原理主要分为以下四点：（1）卷积神经网络中网络的深度主要是依照实际的数据的数量和特征来确定的，并且相对应的设定每层的功能及其中的超参数。13 武汉轻工大学硕士专业学位论文（2）卷积神经网络通过残差的反向传播对网络参数进行训练。依据近年来的研究趋势，卷积神经网络的模型规模正在急速扩大，然而也提高了对相应训练策略的要求。（3）卷积神经网络利用对数据进行前向传导，有利于提高网络高层特征的辨别力和泛化能力。（4）尽管卷积神经网络在很多应用领域的成果显著，但是有关其原理的分析和解释一直都是备受人们质疑的。近年来，通过研究卷积神经网络的原理，直观地体现了网络层次间的特征表达是由低到高的一个过程。2.3.3卷积神经网络的关键技术由于结构层次非常复杂，现阶段有很多相关研究都涉及到卷积神经网络的各个层次。目前研究的主导方向是通过增强网络稀疏性和随机性来提高网络的泛化能力。针对网络中存在的过拟合问题，在网络训练的过程中，Dropout主要利用随机忽略一定比例的节点响应来解决该问题，以此来增强网络的泛化能力。由于卷积神经网络中的卷积核是具有权值共享这一特性的，所以相对来说Dropout对其性能的改善并不完善。与全连接的网络相比较，在网络训练的参数上数量大大的减少，因此过拟合现象也没那么严重。因此，在去过拟合效果方面，该方法所得到的效果并不理想。NIN(NetworkinNetwork)网络结构使用了“微神经网络”突破了传统函数的局限性，使网络的拟合能力更好。而且在解决网络过拟合的问题上，直接通过Globalaveragepooling的方法得到概率分布来减少网络中的参数量。对于下采样层，同样针对过拟合问题主要采用了一种随机的方法称为随机池。与传统方式的不同之处在于，这种方式主要是在下采样的过程中加入随机性，根据概率分布的情况进行随机操作。实验证明：网络中的泛化能力可以通过这种方式得到提高。2.3.4卷积神经网络存在的问题虽然目前卷积神经网络正处于热门研究领域，但是该领域仍然存在一些问14 武汉轻工大学硕士专业学位论文题，包括以下几个方面：（1）在卷积神经网络的结构方面还有很大的研究空间。就现有的研究而言:针对卷积神经网络的性能提升方面，网络结构需要更合理的设计。如果仅仅只是在网络的复杂程度方面进行增加，那就会遇到过拟合以及网络退化的问题。（2）卷积神经网络在发展的过程中，完善的数学基础和完备的理论依据是必不可少的。然而在目前对于卷积神经网络的理论研究还是相对比较落后的，在一个基于实证的研究范畴里，要想对卷积神经网络进行进一步的全面发展研究，其理论研究是非常重要的研究方向。（3）在卷积神经网络中所包含的参数量比较大，然而从目前的有关设置看来，主要是基于相关的实践经验来设置的，所以，针对参数的量化分析研究也是一个非常值得研究的课题。对于卷积神经网络的研究，主要在过拟合问题上目前还存在以下问题：（1）目前研究中缺失对过拟合问题的量化研究和评价标准，因此只能通过实验对比新旧方法的差异来证明其对改善过拟合问题的情况。但是这种改善的情况都是需要有统一的标准进行评判。（2）过拟合问题目前在卷积神经网络的每一层中的严重程度、可改善的地方及方法都有待提高。15 第3章农作物分割的相关技术与算法第3章农作物分割的相关技术与算法3.1图像增强图像增强是指在对图像进行操作时，根据需要对图像的质量进行改善，凸显有用的信息，对于无关紧要的信息进行减弱。这种方法只是加深图像中有用信息的识别力，并不能增加原数据的信息。将原始图像与经过处理的图像进行对比，可以得出处理之后的数据更加适用于计算机特定的处理。另外，可以根据作用域的不同将图像增强分为以下两种：（1）空间域操作，主要是处理图像像素的灰度值；（2）频率域操作，主要是处理图像中的某一频率域。3.1.1灰度变换利用图像的对比度的变换范围或者是图像灰度值的变换范围进行调整以此[28]来完成图像增强的效果，该方法处理的对象为单个像素点。灰度变换主要利f(x,y)用一个变换函数，若原像素的灰度值用代替，转化后的像素的新灰度值gT(f)为g(x,y)，那么变换函数可用公式表示为：g(x,y)T(f(x,y))，由于变换[29]函数的不同，灰度变换可分为：分段、线性及非线性变换。其中图3.1为大豆叶子原图：图3.1大豆叶子原图通过灰度转换，得到灰度图，如图3.2所示.16 武汉轻工大学硕士专业学位论文图3.2大豆叶子灰度图3.1.2直方图均衡化法根据图像中每一灰度值像素点的数量绘制一个灰度直方图：横坐标为图像的灰度值，纵坐标为像素数量，如图3.3所示。该图有以下三个作用：第一、该图反应了图3.2中灰度级与每一灰度级出现次数的关系；第二、通过该图的结果可以看出图3.2中灰度出现的概率；第三、该图可以看出在图3.2中不同灰度值的像素出现的频率。故而在某种程度上，通过对直方图进行修改可以达到图像增强的效果。图3.3灰度图的直方图直方图均衡法是运用灰度点运算，通过累积函数对图像的灰度值进行调整，[30]使直方图均分布。如图3.4为直方图均衡化后的结果。17 武汉轻工大学硕士专业学位论文图3.4直方图均衡化后的结果这种方法属于空间域操作，宗旨是凸显对有用的信息，对不重要的信息进行减弱，从而使图像的使用价值得到提升。3.1.3图像平滑图像平滑处理方法的主要目的是降噪。它是空间域平滑滤波的一种，该方法可以分为：线性、非线性及自适应平滑三类。第一类：线性平滑，该方法在对图像进行降噪的同时，图像的细节也会变得模糊。第二类：非线性平滑，该方法针对要进行平滑的像素设定了相应的条件，而只有满足条件的像素才能进行运算。这种方法主要适用于孤立噪音点，但是图像经这种方法处理后边缘特别容易失真。第三类：自适应平滑，该方法是对图像根据实时情况进行平滑。常见的图像平滑方法主要有图像平均法、领域平均法、中值滤波等。1、图像平均法：通过多次采集同一景物的图像相加取其平均值以此来降噪[31]。这种方法一般用于视频图像处理。假设噪声表示为N(x,y），用F(x,y）和G(x,y）分别表示带噪声的图像和原图像，那么三者的关系表达式为：F(x,y)N(x,y)G(x,y)（3.1）图像平均法主要是运用取平均值的运算方式，当运算的数量逐渐增加时平均值就会逐渐靠近于G(x,y）。其中下图3.5为对原图进行均值滤波的结果。18 武汉轻工大学硕士专业学位论文图3.5原图均值滤波的结果2、邻域平均法：该方法的处理对象为图像的局部。若原图像通过使用该方法后得到新的图像，图像中每个像素点的灰度值都是通过领域的灰度值的平均值所决定的。假设：原始图像为n*n的图像G（i,j），新图像为F（x,y）,x和y为像素点的领域的质心位置集合，其均为1到n-1的整数，位置坐标的总数用m表示。那么新图像与原图像之间的关系可以用公式3.2进行表示，其中图3.6为使用邻域平均法的结果。1F（x,y)G(i,j)mis,js（3.2）图3.6邻域平均法的结果3、中值滤波也是非线性平滑技术之一，该算法主要运用于对图像在去噪处理的同时对其边缘信息进行保留。该算法的处理过程为:首先对需要处理的窗口选定其大小；其次根据灰度值的大小将窗口中的所有像素按从小到大的顺序排列，19 武汉轻工大学硕士专业学位论文再然后将窗口中的所有像素灰度值用所排的灰度值数列的中值进行代替；最后中值滤波中窗口按照同一方向滑过其所有的像素。标准中值滤波是一种特殊的中值滤波。它的主要操作是通过固定规格的滑动窗口把原始图像划为N个子图像，然后针对得到的子图像进行二维滤波。滑动窗口的中心像素点可以为需要进行提取去除噪音处理的像素点。一般而言，根据实时情况要决定窗口的大小，形状一般为方形窗口。在标准中值滤波方法的基础上进行改进的一种方法称为带权值的中值滤波方法。此方法也是同标准中值滤波一样对窗口的像素的按灰度值的大小进行排序，区别于在排序之前，将窗口内的像素点加上在序列中出现的次数，将出现的次数称为权值。图3.7为对原图中值滤波的结果。图3.7中值滤波的结果在带权值的中值滤波又进行了一次改进称为中心权值中值滤波。用2k+1表示对窗口中心点加入的权值，那么其他的像素点的权值则是1。当k值为0时，中心权值中值滤波也就是带权值中值滤波。将滑动窗口的大小与2k+1的值进行比较，若窗口大小小于等于2k+1时，那么中值即为中心点的灰度值。然而这个时候该方法就是去了降噪功能。因此在使用中心权值中值滤波的过程中要想保真性高的同时除噪效果更好，那么对于权值的设定就必须合理。20 武ａ轻工大学硕士专业学位论文３．１．４图像边缘提取算法一。在图像处理过程中，图像边缘是个非常重要的特征图像的边缘线条能一些本质信息，够体现图像中的目标物，主要包含了例如：方向、阶跃性及形状等：，边缘可以划为以下两种一一，两第种为阶跃型，对这种边缘进行处理时次的像素灰度值的变化差一二异非常大并且还有个特别明显特征就是此点的阶导为零，在检验时就可以一利用这特点进行测试。二一一第种为屋顶型，这种边缘般是位于像素的灰度值由大变小的转折点一。上，检测方式可以利用边缘处的二阶导为极值这特点一。它可以检测并准确在数字图像处理中，边缘提取算法是其重要手段之的确定强度不连贯像素的位置。在边缘检测过程中，监测到的边缘时常会因为该算法受到噪音和模糊不清等因素的影响变得过窄或者过宽，更有甚者边缘还会断裂。。目前使用的边缘检测算子主要是通过局部微分算子演变而来的在边缘检测的历史进程中，边缘算子法是最早被使用的方法，其中包括梯３２〖］度算子算子、算子、Ｐｒｅｗ沿算子等。这些算子的判断边缘位置的方式有共通之处为：只需要通过极个别的像素点来确定边缘、检测方法都一一是基于阶二阶导数一。在运用阶导数的运算过程中，若某点的二维阶导数大于指定的闕值一边一，那么这点确定为，组边缘连个缘将联系的点相设定为一运二条边缘线。用二导过程，边在阶数的运算中即是它缘点的阶导的零交叉３３一［］点，图，用拉在像中梯度算子来计算阶，用拉二导数普斯算来计子算阶导。数现阶段经常会用的边缘测子：、、＆心使检算有算子／算子、Ｐｒｅｗ／／／子算子和ｉ叹子。这几Ｚｏ子二算算在种算子中，除了ｇ算是属于阶导一子，。数算其余的均为阶导数算子对于二：梯度算子，将维函数（）的义／＾梯度定为向量＾１／１ｒＧｘ＝Ｖ３－３／（）Ｇ｜；［Ｊ２１ 武汉轻工大学硕士专业学位论文为Canny算子边缘提取的结果；图3.11为Sobel算子的边缘提取结果；图3.12为Prewitt算子的边缘提取结果图；图3.13为Log算子的边缘提取结果。图3.9Roberts算子边缘提取的结果图3.10Canny算子边缘提取的结果图3.11Sobel算子的边缘提取结果23 武汉轻工大学硕士专业学位论文图3.12Prewitt算子的边缘提取结果图3.13Log算子的边缘提取结果3.2特征向量提取方法3.2.1主成分分析法主成分分析法主要适用于高斯分布的样本。主成分分析也是一种线性变换，主要针对的是多个变量，是一种选出信息量且重要的变量的多元统计方法。主成分是对若干个原变量指标做线性组合从而得到的新组合，通过多个变量之间的关系，利用几个相对独立且对原有变量信息保留较多的主成分来对其内部结构进行表达。由于每个主成分之间是相对24 武汉轻工大学硕士专业学位论文独立的，所以其中所包含的信息不会有相同之处，并且主成分中所包含的信息量依次减少，假设第一个主成分为PC1，第二个主成分为PC2，那么这个可以用数学表达式表示为:Cov(PC1,PC2)=0。在对纯数据进行相应处理的过程时，通过取前几个主成分来进行接下来的操作，比如数据建模等。在处理中主成分数量与结果的预测准确度成正比。在处理图像数据的过程中，假如选择的首个主成分中的信息含量不足时就会通过选择排列在前三的主成分，以此来构建一个RGB图。首先对构建RGB图进行灰度化处理，然后再处理经灰度化之后的图像。3.2.2独立主成分分析法[34]独立主成分分析法主要适用于非高斯分布的样本。该方法主要是一种针对信号的高阶统计特征的分析方法。源信号可以被分解成若干个统计独立的分量的线性组合，只要信号非高斯，那么这种分解是唯[35]一的。前提假设每个成分都是相对独立的且为非高斯分布：独立组分分析法的运算过程主要可以分为3个步骤：(1)将输入的数据进行中心化和白化预处理;(2)通过优化目标函数得到W;(3)得到独立的基向量U。3.3优化算法最小二乘法(LeastSquareMethod，LSM)的过程主要是依照已有的数据建立一条线，无论是直线还是曲线均可，然后根据这条线在坐标上与已知数据的距离，使得该距离的平方和最小化。它可以利用寻找最佳的数据匹配函数和最小化误差的平方求出未知数，并且将与实际值间误差的平方和最小化。利用最小二乘法在样本个数小于变量的情况下，不会由于数据量不够的原因而产生误差。针对不同领域都可以使用最大化熵来解决相应的优化问题，最后使用最小二乘法来表示。3.4特征波长提取方法[36]方差分析法也称之为“离差分析法”,其基本思想根据来源不同可以将25 武汉轻工大学硕士专业学位论文原数据的总变量分成两个部分：误差平方和和因素平方和。误差平方和是由产生的误差所引起的；因素平方和是因为各变量相互效应引起的。比较误差平方和与因素平方和来判断各个变量的贡献度。如果某变量的误差平方和小于因素平方和，那么此变量将会对后续的数据分析做出贡献；反之，误差大于贡献，那么该变量对后续的处理造成影响，可以排除此变量。另外，该方法还可以分[37]为单因素方差分析和多因素方差分析。方差分析法的具体步骤如下：(1)分解变量的总方差;(2)对两个方差的比值进行计算;(3)通过查找F分布表,根据其概率判断每组之间的差异程度。逐步回归法是基于多元线性回归理论发展而来的一种方法。它的基本思想是根据全部原变量对输出值的影响程度的大小，逐一引入到回归方程中，然而每当有新的变量加入到回归方程时都会重新检验方程中所有的变量，然后再根据检验的结果以及对输出值得影响程度来确定变量状态是否为优，随后将其余状态的变量进行排除。一直到方程中都为优质变量，最后将一个新的变量加入到回归方程中。选择没有被选中的变量中对输出值作用最大的加入到回归方程中，排除剩余的变量。在整个过程中，最为关键的一步就是将每个原变量的偏回归平方计算出来，以此来确定其对输出值的影响。[38]对于给定的信号，小波系数法主要是对其进行小波变换。在处理的过程中，首先使用小波函数族将原信号进行扩展，然后将原信号用尺度与位移不同的小波函数的线性组合进行表示。小波系数即为线性组合中各项的系数，然而在特定的某一尺度下所有的线性组合就是该信号在这个尺度下的小波向量。连续投影算法主要是计算某一变量在其他变量上的投影向量，把向量最大的变量加入到优选变量组合，然而加入的变量和前一个变量的线性关系达到最[39]小化。继续重复以上操作，把所有的变量都循环一次。它是一种前向循环选择算法，它的用途是可以降低模型的复杂程度，主要是因为该种算法可以将原变量之间的共线性进行消除。这个算法可以分为以下几个步骤：（1）将任意一列变量初始化；26 武汉轻工大学硕士专业学位论文（2）计算这列变量在其他变量上的投影向量；（3）保留最大的序号的投影作为下一轮的投影向量；（4）将全部的变量按以上步骤循环一次。[40]基于最小二乘回归系数，在图像处理过程中无信息变量消除法可以清除一些没有含可用信息的变量。该方法消除变量的主要方式采用的是交叉验证法，先在矩阵中添加噪音矩阵，然后再对变量进行一一的排除，由此构建最小二乘回归模型。在得到的回归系数矩阵中选取一个回归系数向量，针对该向量，求其均值与标准差之间的比值，通过比值的稳定性来判断对应的变量是否为优质变量。3.5支持向量机[41]支持向量机可分别应用于回归和分类分析，其运算过程是将原向量映射到一个相对而言空间维度更高的空间。在这个空间里构建最大间隔超平面把数据分隔开，再在其两边构建两个超平面，这两个超平面之间的关系是相互平行的。要想让间隔的超平面达到最优状态时，那么这两个平行的超平面之间的距离要达到最大。换句话说，平行超平面间隔与模型总误差成反比。在小样本、非线性和高维模式识别的问题上，支持向量机有很多独特的优势，并能推广及应用到函数拟合等其他问题中。27 第4章深度卷积神经网络分割算法及应用第4章深度卷积神经网络分割算法及应用4.1深度卷积神经网络分割算法以浅层学习模型为基础的植物自动分割方法已经无法满足现代农业发展的需求。浅层学习模型主要存在以下局限性：首先，对于特征的提取需要人为操作；其次，在特征提取的过程中，大部分是依靠经验和运气来提取有效特征的，特征的有效性对分割的结果有着很大的影响力；最后，在提取特征的整个过程中所涉及到的计算量特别大，而且耗费的时间也比较长。比如提取树叶的灰度特征、几何特征以及纹理特征等。本研究主要的内容是基于深度卷积神经网络的农作物自动分割方法，与浅层学习模型主要的差别在于整个分割过程是通过有监督的学习自动学习网络参数及特征，完全不需要人为操作和设计特征。图4.1为该方法的分割流程。该方法的流程主要分为四个步骤，第一步为将图像进行预处理；第二步为提取图像数据；第三步为训练模型；第四步即为处理后的图像分割结果。训练数据预处理提取图像数CNN据测试数据预处理提取图像数分类据二值化概率图像图像分割结果后处理图4.1基于深度卷积神经网络分割流程图4.2深度卷积神经网络结构在本节，对树叶进行分割的研究中主要采用的是一种深度学习模型，其网络结构如图2.1所示，从图中可以看出，该网络结构主要可以划分为四层。在这些层次中，卷积层利用卷积运算得到图像中如树叶边缘或纹理这样的特征。下采样层主要的功能是对经过卷积层得到的图像特征进行抽样，这样既可以减少处理的数据量，也可以筛掉无用的特征信息、对有用的信息进行保留。全连接层主要是对输出特征相互之间的关系进行提取。用于捕捉输出特征之间的复28 武汉轻工大学硕士专业学位论文杂关系。深度卷积神经与传统的神经网络相比较，在对网络深度进行保留的情况下，极大程度的减少了网络中的参数，这样使得模型中的泛化能力更好。4.2.1卷积层卷积层在网络中是一个特征提取层，每一层之间的链接方式为局部链接、[42]权值共享。在多个卷积层的作用下输入一幅图像，使其得到多个特征图，然后将得到的特征图分别经过一种卷积核提取图像特征。若将多个特征图再次通过卷积操作，那么上层的多个特征图组合将会是操作后得到的下层神经元，如图4.2所示。相较于全连接方式，极大程度的减少了网络的权重参数，主要是因为在卷积神经网络中使用到了局部感受野，权值共享的特点使得在一定程度上尺度不变形。图4.2卷积层4.2.2最大池化下采样层假如在处理的过程中将提取出来的所有特征都进行训练，那么整个计算过程会非常繁琐并且极易出现过拟合问题。可以计算图像中某一特定特征的最大[43]值，避免在计算过程中出现以上问题，这个处理过程被称之为最大池化，如图4.3所示：利用一个2*2大小的模板通过互相不重叠的最大池化操作，将大小为7*7的原始图像转化为大小为3*3的图像，使像素点由4个变为1个。将池化后的特征维数与卷积得到的维数进行比较，池化后的相对较低，而且不易出现过拟合问题，整个过程有利于降低计算的繁琐程度以及增强网络的鲁棒性。在不同方向，输入的图像会发生位移，但是经过最大池化所提取到的特征仍然不变，这点被称为最大池化过程有平移不变的特点。29 武汉轻工大学颐士专业学位论文２５｜２１８７３＿＿＿＿＿＿＿４８５７２６４＿＿＿＿＿＿＿＿＿＿＿＿＿＿１６９４５２８７８Ｊ｜＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿５２３７１８９５９８＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿＿］６８５３４７２８６９］１７６２３９８４３９１５２７图４．３池化过程４．２．３全连接层一一４４一［］全连接网络是指上层的每个神经元与下层的每个节点都有连接。般常见的神经网络中包含大量的待训练参数，每层之间采用的是全连接方式。４．２．４Ｓｏｆｔｍａｘ分类层一在实验过程中Ｓｏｆｔｍａｘ分类层主要用作两类分类。它的输出是个大小介于０和１之间条件概率值。网络中使用转移函数蒋神经元节点的输出值转化到０和１之间。４．３深度卷积神经网络算法４．３．１ＬｏｇｚＷｃ回归回归主要用于解决二分类问题。若用ｍ个已标记的样本组成训练１＇＇￡＞／＋：ｘ．．．ｅｆ１样本集，，，｛（，ｊ），，（〇｝其中输入特征ｘ特征向量的维度《对应截距艰，／£０１。：｛，｝假设函数为ｈＸ＾⑷ｅ｛））Ｔｌ－＋ｃｘ０ｐｘ（）它属于每一对于给定的测试输入ｘ彳类别的概率值是：－，ｉ＇－ｉｉｌｙｘ＝ｈｘ＼－Ｐ（ｙｌｅ）ｅ（ｙ＼ｈ９（ｘ））（４．２）３０ 武汉轻工大学硕士专业学位论文4.3.5随机梯度下降法[45]常使用梯度下降法来最小化损失函数，求解过程分为批量和随机梯度下降法两种。假设公式4.11是需要拟合的函数：nh()j0jxj（4.11）损失函数为平方损失函数：1mii2J()i1(yh(x))（4.12）2m随机梯度下降法是通过每个样本来更新：iii(yh(x))X（4.13）jjj批量梯度下降法：将所有训练样本的损失函数在每次迭代中进行最小化，当需要处理的数据量较大时，会降低迭代的速度，不过最后可以得到全局的最优解。随机梯度下降法：计算每个训练样本的最小损失函数，在迭代过程中，即便不是每一次的迭代所得到的损失函数都是最优解，但是这样计算的最后结果一般都是最优解附近。误差反传算法主要是依据样本实际输出与真实标签之间的差来调节前面每一层的网络权值，当误差传导最前面一层时会变得最小。在人工神经网络中，它是一种有监督的学习算法。卷积神经网络训练算法是计算输出的实际值与理想值之间的差值，通过最小化损失函数反向传播来调整网络中的权值参数。4.4提取训练数据将图像中每个像素点作为中心点，提取二维图像数据块，并以提取出的数据块作为本次研究的训练数据。依照中心像素点的标签将提取的数据块样本划分为划分为正、负两种样本，正样本为树叶病变区域，负样本为树叶正常组织32 武汉轻工大学硕士专业学位论文区域。在实际试验过程中，病变区域远远小于正常组织区域，以致于正样本的数量比负样本的数量少很多。为了使得模型中正样本和负样本的数量达到平衡状态，因此使用随机降采样法来使实验中正样本和负样本的数量一致。本研究中主要提取了大小不一的四种数据块，数据模块大小为13*13、15*15、17*17和19*19。4.5算法实现[46]本研究中的深度卷积神经网络主要是依据python的深度学习库Theano所设计的。实验数据来自网络图片搜索加上人工标识。表4.1不同大小输入图像数据块对应的深度卷积神经网络结构33 武汉轻工大学硕士专业学位论文针对不同的数据建立不同的深度卷积网络结构，在上表4.1中，表中记录了每一层的类型、样本的大小以及特征图的个数和每一层的权重个数，表中，卷积层用“C”表示、下采样层用“MP”表示、全连接层用“FC”表示。实验中，从图4.4中可以看出：随着训练样本迭代次数的增加样本错误率呈下降趋势，网络模型越来越稳定；从图4.5中可以看出：网络训练过程中训练的错误率也随着训练数据量的增加逐渐降低。这说明在卷积神经网络的训练过程中由于结构的复杂，参与训练的参数较多，只有庞大的样本集才能保证取得很好的模型。图4.4训练误差随迭代次数的变化示意图图4.5训练误差随样本数的变化示意图34 武汉轻工大学硕士专业学位论文4.6实验结果本研究中采用留一交叉法对图像数据进行叶片健康区域与病虫害区域的分割试验，提取大小不同的训练数据作为样本，然后根据不同大小的输出数据构建不同的网络结构，在不同的网络结构中，所设计到的特征图个数不同，而且运用的卷积模板和全连接层的结点数都不一样，在本研究中分别训练四种网络模型，从而得到树叶分割二值图像，然后通过同样的形态学操作处理得到树叶病害区域，经统计后进行对比。从图4.6、4.7和4.8的结果可以看出,选择合适的输入数据图像块大小对结果有直接影响，从现有样本情况看为17*17的统计结果最好，DSC、precision、recall分别为80.06±1.63%，82.67±1.43%，84.34±1.61%。图4.63*13,15*15和17*17几个输入数据图像块大小的DSC统计结果图4.713*13,15*15和17*17几个输入数据图像块大小的Precision统计结果35 武汉轻工大学硕士专业学位论文图4.813*13,15*15和17*17几个输入数据图像块大小的Recall统计结果4.7本章小结本章提出了一种基于深度卷积神经网络的树叶自动分割方法，首先对原图像进行了预处理提取数据块，通过训练结构不同的卷积神经网络模型，每个网络模型中的卷积模板数量、大小以及层数都有所不同，分别对每组数据进行测试，得到了树叶病害的分割结果，最后通过对比得到的结果，得出最优的网络结构。在整个实验中，运用了卷积神经网络里自动学习的这一特征来省略传统机器学习中人工特征提取的过程，最后将本实验得到的结论与传统机器学习算法的分割结果进行对比可以看出：经本实验得到的树叶病虫害的分割结果的鲁棒性、准确性更高。36 第5章总结与展望第5章总结与展望5.1总结随着数字农业技术的发展，我国作为一个农业大国，积极使用先进的信息化技术对农作物的生产进行实时监控，结合人工智能技术，对现代化农业病虫害进行分析，具有很强的现实应用基础。本文首先详细介绍了当前中国农业信息化中相关技术，以及其技术在实际中的发展过程。针对信息技术在快速检测植物病虫害中的研究现状和相关难点，并对相关技术和算法上进行了国内外发展状况的详细分析。选择了一种非常常见的大豆作物作为研究对象，采用数字化技术和深度学习算法对其植株病虫害的区域进行分割和识别，并进行分析。其次，随着深度学习技术的不断发展，卷积神经网络在图像分类和识别领域有一定的优势。本文希望借助于卷积神经网络技术，使其应用于农业病虫害的应用中去。第二章详细介绍了卷积神经网络的发展，包括卷积神经网络的研究历史和其研究意义。然后，详细介绍了分析卷积神经网络、工作原理和关键技术。再次，本文详细介绍了农作物分割时涉及到基本算法，包括图像预处理、图像增强算法、特征向量提取方法，包括主成分分析法和独立主成分分析法、相关优化算法、特征波长提取方法和支持向量机算法。并采用实际样本，使用其相关算法做出初步实验结果，并对其进行分析。最后，研究了基于传统机器学习算法深度卷积神经网络，把深度卷积神经网络运用到农作物叶片病虫害的识别中，对深度卷积神经网络的结构和工作原理进行了简单的阐述，在整个过程中对不同的输入数据相对应的建立不同的网络结构，从而得到分割结果。并与其它传统分类方法进行了对比，发现深度学习的算法更加有利于对农作物正常部分和病虫害部分进行区分。总之，基于深度神经网络的识别结果具有较高的准确性和鲁棒性。37 武汉轻工大学硕士专业学位论文5.2展望由于中国作为一个农业大国，农作物种类较多，病虫害的情况也十分复杂，所以在推进农业信息化的过程中，自动分割是既复杂又富有挑战性的一项工作。本文将深度卷积神经网络运用到农作物病虫害区域的分割和识别中，并构建了自动学习的特点还省略了人工特征提取的过程，在实验过程中使用一系列层数的低层特征一步步构造更加有用的高层特征，有效的解决了传统机械学习中存在的一些局限性的问题，从而得到的分割结果是非常好的。但是在整个研究过程中依然存在以下一些不够完善的地方有待进一步研究:第一，在训练过程中，该网络模型需要调对大量的网络参数进行适当的调整。对于特定的应用问题，实验过程中需要优化网络结构以及参数。网络的训练对计算机的硬件要求相对较高，而且在整个训练过程中需要耗费大量的时间。实验过程中只有不停的尝试构造不同的网络结构，从而得到更适用的网络模型。因此怎样对网络的参数进行设定并快速的构造具有泛化性能的网络模型是一个非常具有研究意义的课题。第二，由于实验条件的限制，本论文采用的实验样本数不多，农作物种类也较少。所以根据其实验结果进行的分析也有一定的局限性，后续应该建立实验样本的数据库，增加实验样本的种类和数量。第三，在实际应用中，由于农作物叶片的大小形状复杂多变，影像表现差异大，因此对病虫害区域分割产生了一定的难度。对于不同类型的农作物样本，例如水稻叶子和大豆叶子本身就有不同的形状模型，且农作物病虫害区域的形状、颜色和形态也不同，在今后的研究中，可以与形状模型相结合对病虫害的形态进行限制，从而将分割的准确率进行提升。综上所述，深度学习方法在农作物信息化的应用领域尚处于起步阶段，后续应该在此基础上进行进一步的研究。38 武汉轻工大学硕士专业学位论文参考文献[1]高巨源．大豆田主要病虫害有哪些[J]．山西农业·致富科技，2003，(10)：34-34．[2]Delwiche，S.R.，Moon，S.K.．Hyperspectralimagingfordetectionofscabinwheat[J]．BiologicalQualityandPrecisionAgriculture，2000，4203：13-13．[3]陈佳娟，纪寿文，李娟，赵学笃．采用计算机视觉进行棉花虫害程度的自动测定[J]．农业工程学报，2001，17(2)：202-206．[4]钟取发，周平，付斌斌，刘科文．基于典型叶片模块自动匹配的虫损叶面积测量[J]．农业工程学报，2010，26(3)：216-221．[5]Liu，Z.Y.，Shi，J.J.，Zhang，L.W.，Huang，J.F.．Discriminationofriceparticlesbyhyperspectralreflectancedatabasedonprincipalcomponentanalysisandsupportvector[J]．JournalofZhejiangUniversity-ScienceB，2010，11(1)：71-78．[6]Zhao,Y.，Xu,Liu,F.，He,Y..Anovelhyperspectralwavebandselectionalgorithmforinsectattackdetection[J]．2012，55(1)：281-291．[7]Habib．Asoftcomputingapproachforclassificationofinsectsinagriculturalecosystems[D]．Mexico：NewMexicoSateUniversity，2000．[8]王海光，马占鸿，王韬，蔡成静，安虎，张录达．高光谱在小麦条锈病严重度分级识别中的应用[J]．光谱学与光谱分析，2007，27(9)：1811-1814．[9]蒋金豹，陈云浩，黄文江．用高光谱微分指数监测冬小麦病害的研究[J]．光谱学与光谱分析，2007，27(12)：2475-2479．[10]郭洁滨，黄冲，王海光，孙振宇．基于高光谱遥感技术的不同小麦品种条锈病病情指数的反演，光谱学与光谱分析[J]．2009，29(12)：3353-3357．[11]蒋金豹，陈云浩，黄文江．利用高光谱红边与黄边位置距离识别小麦条锈病[J]．光谱学与光谱分析，2010，30(6)：1614-1618．39 武汉轻工大学硕士专业学位论文[12]Moshou,D．，Bravo，C．，Oberti，R．，West，J.．Plantdiseasedetectionbasedondatafusionofhyper-spectralandmulti-spectralfluorescenceimagingusingKohonenmaps[J]．Real—TimeImaging，2005，11：75-83．[13]吴迪，曹芳，张浩，孙光明，冯雷，何勇．基于可见-近红外光谱技术的水稻穗颈瘟染病程度分级方法研究[J]．光谱学与光谱分析，2009，29(12)：3295-3299．[14]冯雷，柴荣耀，孙光明，吴迪，楼兵干，何勇．基于多光谱成像技术的水稻叶瘟检测分级方法研究[J]．光谱学与光谱分析，2009，29(10)：2730-2733．[15]Liu，Z.Y.，Wu，H.F.，Huang，J.F.．Applicationofneuralnetworkstodiscriminatefungalinfectionlevelsinricepaniclesusinghyperspectralreflectanceandprincipalcomponentsanalysis[J]．ComputersandElectronicsinAgriculture，2010，72(2)：99-106．[16]李彦东，郝宗波，雷航．卷积神经网络研究综述[J]．计算机应用，2016，11(9)：2508-2515．[17]LECUNY，BOTTOUL，BRNGIOY．Gradient-basedlearningappliedtodocumentrecognition[J]．ProceedingsoftheIEEE，1998，86(11)：2278-2324．[18]HINTONGE，OSINDEROS，THEYW．Afastlearningalgorithmfordeepbeliefnets[J]．NeuralComputation，2006，18(7)：1527-1554．[19]何鹏程．改进的卷积神经网络模型及其应用研究[D]．大连：大连理工大学，2015．[20]Wenzhiyuan，CaoLeping．Imagerecognitionofnavelorangediseasesandinsectpestsbasedoncompensatoryfuzzyneuralnetworks[J]．TransactionsoftheChineseSocietyofAgriculturalEngineering，2012，28(1)：152-157．40 武汉轻工大学硕士专业学位论文[21]SasakiY,OkanotoT.Automaticdiagnosisofplantdiseaserecognitionbetweenhealthyandhealthyanddiseasedleaf[J].JournalofJSAM.1999，61(2)：119-126．[22]ZayasIY,InnaY.Detectionofinsectsinbulkswheatsampleswithmachineversion[J].TransactionoftheASAE,1986，6(3)：883-888．[23]RenLei，LaiHuicheng，ChenQinzheng．Cottonimagesegmentationmethodbasedonimprovedwatershed[J]．ComputerEngineeringandApplications，2012，48(34)：207-212．[24]CasadyW，SinghN，CostelloTA．Machinevisionformeasurementofricecanopydimensions[J]．TransactionsoftheASAE，1996，39(5)：189l-l898．[25]NalwaVS，BinfordT0．Ondetectingedges[J]．IEEETransactionsonPatternAnalysisandMachineIntelligence，1986，8(6)：699-714．[26]SunJi—gui，ZhaoLianyu．Clusteringalgorithmsresearch[J]．JournalofSoftware，2008，19(1)：48-61．[27]HeDandan，XuMei．Riceleafedgedetectionalgorithmbasedonmulti-strategyfusiontechnique[J]．JournalofNortheastAgriculturalUniversity，2012，43(5)：65-68．[28]靳雁霞．数字图像的灰度处理[J]．测试技术学报，2004，35(2)：97-100．[29]欧温暖．几种常见边缘检测算子的分析比较[J]．现代计算机，2010，26(5)：75-77．[30]李静静．红外图像的目标检测与识别方法研究[D]．沈阳：沈阳理工大学，2013．[31]李超．基于小波变换与BM3D的多图去噪方法研究[D]．北京：华北电力大学，2015．[32]马宇飞．基于梯度算子的图像边缘检测算法研究[D]．西安：西安电子科技大学，2012．41 武汉轻工大学硕士专业学位论文[33]艾超．基于方向小波变换的图像边缘检测算子研究[D]．西安：西安电子科技大学，2013．[34]李向春．基于梯度算子和类间反差边缘检测算法研究[D]．青岛：青岛理工大学，2016．[35]王飘飘，范周静，李梁燕．几种边缘检测算子的分析及新的检测方法[J]．数字通信世界，2015，34(7)：1-2．[36]葛小凤，陈亚军．经典边缘检测算子及其抗噪性能研究[J]．数字技术与应用，2015，26(2)：107-109．[37]潘勇．双因素方差分析法的改进及应用[J]．扬州教育学院学报，2000(3)：22-23．[38]罗翔宇．多组分体系的快速分析方法及应用研究[D]．天津：南开大学，2012．[39]宋清，陆峰．独立组分分析的十种算法综述及其在药物分析中的应用[J]．药学实践杂志，2013，36(1)：1-4．[40]陈瑜．改进的微分算子与形态学融合的边缘检测算子[D]．哈尔滨：哈尔滨理工大学，2016．[41]董立清．机器学习与支持向量机[J]．软件工程师，2007，36(7)：41-42．[42]詹智财．基于卷积神经网络的视频语义概念分析[D]．江苏：江苏大学，2016．[43]胡正平，陈俊岭，王蒙．卷积神经网络分类模型在模式识别中的新进展[J]．燕山大学学报，2015，23(4)：283-291．[44]费建超，芮挺，周遊，方虎生，朱会杰．基于梯度的多输入卷积神经网络[J]．光电工程，2015，10(4)：33-34．[45]任沙．基于深度学习的手写数字集特征提取算法[D]．湖南：湖南师范大学，2016．[46]王振，高茂庭．基于卷积神经网络的图像识别算法设计与实现[J]．现代计算机，2015，22(7)：61-66．42 武汉轻工大学硕士专业学位论文致谢转眼间，两年的硕士研究生生涯一晃而过，在论文即将完成之际，我要由衷感谢一直以来对我无私帮助和指导的老师与同学。首先，感谢我的导师袁操老师。袁老师在学术上给了我方向，让我受益匪浅；行动上给了我勇气，让我对事物有了大胆尝试的机会；在为人处世上给了我榜样。袁老师用他的言传身教，使我学习到了很多书本上没有的东西，这也是我收获的最珍贵的财富。在论文的撰写过程中，老师悉心的指导、对每一步都严格把关使我非常感动。我将永远铭记在心您给予我们的每一丝温暖。其次，感谢同学的帮助和理解，在这两年里无论是在学习上还是在生活中都给予我很大的关照，感谢龚成、黄申奥、孙思在论文撰写的整个过程中给我提出了很多宝贵的意见和建议。感谢和我一起生活了两年的室友们，是你们让寝室每天都充满了欢声笑语。小玉的理性、熊琴的执着、凌晶的勤奋，感谢有你们一路以来的陪伴，愿我们以后的人生每天都可以充实、快乐。再次，感谢一直在我身边默默付出的父母，是他们不图回报的付出，才有了今天的我，愿他们永远平安健康，每天都幸福开心最后，向参加评审的专家和参加答辩的各位老师致以最衷心的感谢。43
