【摘要】: 植物识别是对植物保护和利用的基础,随着计算机图像识别技术的发展,利用计算机图像处理技术获取植物叶片的外形、纹理等信息可以大大提高植物的识别效率,实现植物分类和识别的自动化和快捷化。本文选择VGG-16(imagenet- vgg-verydeep-16)、Matlab SVM (Support Vector Machine)工具箱和Matlab的图形用户界面工具箱GUI(Graphical User Interface)设计开发了植物叶片识别系统,构建了自然环境下图像数据库和特定环境图像数据库,分析了拍摄角度、背景颜色与质地、感光度、色温和叶片损伤对识别率的影响。通过本研究证明该方法在植物识别方面取得了良好的效果,为今后的植物叶片图像识别技术的发展奠定了一定基础。研究结果如下:①根据软件要求,设置了植物叶片识别系统系统开发环境,制作了系统流程图,编制了植物叶片识别系统代码,设计了系统界面,实现了植物叶片的训练和识别。构建了以34种植物,共1027张的自然环境下图像数据库和5种植物,共735张的特定环境图像数据库。②训练图片数量越多,植物叶片识别率越高。在每种20张植物图片中,每种植物随机选取5张、10张和15张植物叶片图像进行训练时,每种10张测试图片的平均识别率依次为64.65%、78.12%和89.06%,各测试集间识别率差异显著;将每种20张叶片图片训练集,以其余10张测试率为93.24%。③不同环境因子对识别率影响不同。叶片拍摄角度较大和感光度较低时具有明显影响。对不同角度5种植物的0°、30°和60°三个拍摄角度的测试中,识别率分别为100%、100%和60%,拍摄角度对识别率影响明显;在白色、黑色、红色、橙色、黄色、绿色、蓝色和紫色8种不同背景颜色及3种不同质地背景下拍摄图片测试中,识别率为100%。在感光度ISO400、ISO800、ISO1600、ISO3200时,识别率分别为89%、100%、100%和100%、,感光度过低会影响识别率;色温在3000K-9000K时的图片识别率均为100%;当损伤面积均不超过叶片总面积10%,识别率为100%。
【学位授予单位】:内蒙古农业大学
【学位级别】:硕士
【学位授予年份】:2016
相关知识
基于深度学习/YOLOv8的植物叶片病害识别系统【附源码+可远程安装部署】
基于深度学习特征的植物病虫害检测
基于深度学习的病虫害智能化识别系统
基于深度学习和迁移学习的识花实践
基于深度学习的植物叶片病害识别系统(网页版+YOLOv8/v7/v6/v5代码+训练数据集)
深度学习基于python+TensorFlow+Django的花朵识别系统
深度学习之基于Tensorflow卷积神经网络花卉识别系统
自动叶片感染识别系统:智能检测植物疾病的革新技术
基于深度学习的花卉检测与识别系统(YOLOv5清新界面版,Python代码)
基于svm机器学习的植物病虫害检测方法
网址: 基于深度学习和SVM的植物叶片识别系统的研究与测试 https://m.huajiangbk.com/newsview342626.html
上一篇: 《安徽省林业发展十三五规划》下 |
下一篇: 尉氏县2016年度农业生产全程社 |