【基于機器學習的圖像處理技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用設(shè)計報告】

[15]。接下來是模型的讀入，圖4-5機器學習模型讀入流程圖整個識別過程是這樣的。首先Keras庫得到的html5格式的文件通過命令tf-convert命令轉(zhuǎn)換為tf格式的文件，接著我從訓(xùn)練數(shù)據(jù)集中選取一張水稻葉銹病的圖片。電腦會得到這張水稻圖片在硬盤里面的存儲地址。接著電腦把這個存儲地址傳到模型的接口，接口讀取水稻圖像的基本信息，比如像素多少，占用多長多寬等。接著對水稻這張葉銹病的圖片壓縮，讀取到內(nèi)存里面。本次實驗訓(xùn)練得到的模型通過TensorFlow引擎配置的Python3.6.5接口，對我選取的水稻葉銹病圖片進行識別。tf.run(imgData,loadModelFile)是最最核心的代碼。tf表示使用TensorFlow引擎，imgData表示系統(tǒng)讀取過的訓(xùn)練水稻病害模型所使用的圖像數(shù)據(jù)，LoadModelFile則表示訓(xùn)練得到的水稻病害模型文件。文件是由許多的二維數(shù)組構(gòu)成。第一位是模型的種類序號，第二位是該序號檢測出該圖像屬于這個種類的期望值。系統(tǒng)接下來會比較得出最大的期望值，輸出期望值所對應(yīng)的模型種類序號。得到模型中對應(yīng)的種類序號，跟assets文件夾下的信息進行比對得到結(jié)論，是葉銹病。5模型的驗證使用驗證集中的圖像按照跟4.7識別過程同樣的步驟，多次識別得到下表：表5-1驗證集驗證結(jié)果銹病種類識別次數(shù)成功率葉銹病300.93條銹病300.80桿銹病300.87通過測試集對水稻病害模型的測試表明。本文完成了基于機器學習的水稻病害檢測制定的設(shè)計要求，滿足所提出的水稻病害圖像識別需求。參考文獻[1]劉成.基于機器學習的水稻病害識別算法的研究[D].安徽大學,2018.[2]陳悅寧、郭士增、張佳巖、蒲一鳴.基于優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的水稻病害識別算法研究[J].電子技術(shù)應(yīng)用,2020,v.46;No.507(09):91-93+99.[3]路陽,郭丹,沈賀,等.基于深度學習的水稻葉部病害識別方法研究[J].信息記錄材料,2018,19(12):183-185.[4]房思思.基于實例和參數(shù)遷移的農(nóng)作物病害圖像識別研究[D].中國科學技術(shù)大學,2018.[5]沈美,于翔.基于機器視覺的農(nóng)作物病害無人機尋的研究與實現(xiàn)——以水稻紋枯病為例[J].無線互聯(lián)科技,2019,v.16;No.172(24):118-120.[6]陳雷,袁媛.大田作物病害識別研究圖像數(shù)據(jù)集[J].中國科學數(shù)據(jù)(中英文網(wǎng)絡(luò)版),2019(4).[7]陳雷,袁媛.基于深度遷移學習的農(nóng)業(yè)病害圖像識別[J].數(shù)據(jù)與計算發(fā)展前沿,2020,v.2;No.4(02):115-123.[8]蘇博妮.基于圖像處理的水稻病蟲害識別技術(shù)[J].信息技術(shù)與信息化,2018(5):96-98.[9]吳宗卓.水稻病蟲害智能識別與診斷技術(shù)在病蟲害測報中的應(yīng)用[J].現(xiàn)代科學儀器,2018.[10]李兵,林文釗,羅崢尹.基于機器學習的智慧農(nóng)業(yè)決策系統(tǒng)設(shè)計與實現(xiàn)[J].信息與電腦:理論版,2018,418(24):79-80.[11]杭立.基于機器學習和圖像處理技術(shù)的病蟲害預(yù)測[D].寧夏大學,2018.[12]范春全,何彬彬.基于遷移學習的水稻病蟲害識別[J].中國農(nóng)業(yè)信息,2020,v.32(02):40-48.[13]韓尚君.基于計算機視覺的水稻病害診斷[J].電子制作,2019,No.369(04):32+60-61.[14]邱靖,劉繼榮,曹志勇,等.基于卷積神經(jīng)網(wǎng)絡(luò)的水稻病害圖像識別研究[J].云南農(nóng)業(yè)大學學報(自然科學),2019(5).[