论文部分内容阅读
棉花是我国主要的农作物、经济作物,棉花在生长过程中会不断地受到病虫害的侵袭,我国棉花每年大约有15%的经济损失源于病虫害。目前针对棉花病虫害的识别主要依赖于人工识别,劳动力成本大,识别过程中主观性因素较强。开发一种智能识别棉花病虫害的软件系统有着十分重要的意义。为适应智慧农业发展需要,解决我国病虫害棉叶检测识别效率低,可靠性差的问题,结合机器学习方法和棉花病虫害发生特点本研究主要做了以下内容:(1)采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲棉花叶片图像各975张作为样本集。训练不同的机器学习模型:支持向量机模型、极限学习机模型、卷积神经网络模型。(2)对三种机器学习模型进行对比研究分析得出:支持向量机模型在核函数为多项式核函数时,模型对病虫害棉叶图像的融合特征(灰度共生矩阵+Hu7+颜色直方图)的训练准确率为:99.99%,测试准确率为:96.11%;激活函数为Sigmoid的极限学习机在隐层神经元数目为200时对病虫害棉叶颜色直方图特征的训练准确率为:98.33%,测试准确率为:95.55%;迁移学习方式下学习率取0.001的微调CaffeNet模型对病虫害棉叶的训练准确率为:100.00%,测试准确率为:99.91%。(3)应用混淆矩阵对本研究中的最优模型(迁移学习方式下学习率取0.001的CaffeNet模型)进行性能测试分析,计算得出该模型的平均查准率为98.24%,平均查全率为98.09%,平均F1得分为98.12%,与传统的机器学习方法相比具有更高的识别准确率。(4)利用Android Studio平台结合JNI技术完成App程序框架、主功能界面的设计和模型移植。该App主要包括病虫害棉叶图像获取功能、特征提取功能和检测识别功能。