本文主要是介绍基于web的亚热带常见自然林病虫害识别系统——开篇,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
文章目录
- 前言
- 概要
- 论文组织结构
- 相关理论技术简介
- Tensorflow
- Django web 开发框架
- 图像的分类的发展感受
- 绪论
- 研究背景与意义
- 国内外研究现状
前言
随着年底的到来,我相信越来越多的小伙伴也要开始着手自己的毕业设计,这里打算分享我自己的毕业设计,以及我的二次开发创作的项目,为大家的毕业设计提供一定的参考,如果有毕业问题相关的小伙伴也可以及时跟我沟通,我会及时回复大家!开篇我先介绍一下我的毕业设计——基于web的亚热带常见自然林病虫害识别系统。
概要
从我国建国以来,在我国共设立了二千七百五十个天然保护地,包括我国级的四百七十
四个,天然保护地的总土地建筑面积超过了 147 万平方公里,约占到中国陆域土地的百分之十五,而且林业生态保护整治一直是我国林业发展的重点之一。随着科技的不断进步和人工智能技术的不断成熟,机器学习和大数据技术得到了广泛的应用。
为实现对亚热带区域常见自然林木叶片病害识别,并做到有效防控、保护生态环境以及
减少因病虫害造成重大林场重大经济损失,文中建议了卷积式神经网络的模型和 WEB 服务器,并设计了亚热带自然林常见病害识别系统。该系统采用了 TensorFlow 架构,并提供了二层的 CNN+SoftMax 分层卷积神经网络模式,自动了解到八个病害的图形特性,并通过softmax 分级器辨识病害,识别准确率达 98%。与此同时,该系统使用 MySQL 轻量级数据库以及应用 Django 框架而开发的后台业务。主要功能是上传病害图像、提取病害结果功能,并为相关病虫害提出了完整的全栈式整治方法。
首先,对该系统所需亚热带常见自然林的叶片进行采集,该系统目前只挑选荔枝(无
患子科荔枝属植物)树叶,黄皮(芸香科黄皮属植物)树叶以及油茶(山茶科植物)树叶共计 5000 张叶片照片,对采样图像进行预处理。其次,使用卷积神经网络生成识别模型,测试模型的正确度,完成对系统的前端与后台总体设计以及代码编写。最后,通过系统进行整合测试,证明了该算法是非常有效的,能够 98%的准确度,有
效实现对采集的叶片进行病虫害的识别与诊断。
关键词:卷积神经网络;病虫害识别;亚热带自然林
论文组织结构
本文主要研究了基于卷积神经网络为亚热带常见 3 种植物的病虫害进行识别与
提供解决方案,这三种植物分别是野生荔枝、油茶与黄皮。针对实际应用的场
景首先收集数据集,其次设计卷积神经网络结构,并进行多次训练。最后,对该方
法的实用性进行了测试,且给出了该种训练方法的综合评价和结果。
论文组织结构和具体研究内容如下:
-
第 1 章绪论。重点论述了文章选题的历史背景及其意义,文章科学研究的内容及
其在国外的一个科学研究现象、重点剖析了本文章成果的现实应用价值,及其它的研究结论和内容。 -
第二章 相关理论简介。详细介绍了论文中使用的各种技术,包括深度学习、
卷积神经网络,python等知识 -
第三章 亚热带常见自然林病虫害识别系统的需求分析。主要从系统可行性、客
户需求两个方面着手分析需求。 -
第四章 信息系统的总体设计与完成。本文着重说明数据库系统的总体架构,数
据库模型的结构。 -
第五章 系统的实现与测试。主要从数据采集,算法设计、模型构建以及系统的
界面、功能等模块进行详细描述与介绍。 -
第六章 总结与发展。对本论文研究的重点内容作出了归纳与汇总,以及对于未
来的工作作出展望。
相关理论技术简介
Tensorflow
TensorFlow[可以使用这个 API 把计算工作安装在桌面设备、服务器或移动设备上的一个或多个 CPU 或 GPU 当中。在目前众多的深度学习框架中,它具有以下优点:
(1)高度的灵活性
TensorFlow 允许人们利用计算图的方法还建一个网站,同时也能够非常简单的对网络进行运算。
(2)真正的可移植性
TensorFlow 也能够同时在 CPU 或是 GPU 上工作,能够同时在台式机,服务器设备, 以及移动机器上工作。
(3)多语言支持
TensorFlow 通过极其易用的编程语言 python 来构造并运行我们的计算图,同样也支援 C++的编程语言。
(4)丰富的算法库
TensorFlow 给出了在整个开放的学习架构里,最全的计算库,同时也持续的在增加最新的计算库。在使用过程当中基本不用自己定义就能实现全部该系统的功能
Django web 开发框架
Django是一个基于 MVC 构造 python 的 Web 开发框架。MVC 职责如下:1.模式
(Model),亦即在数据存储层负责与数据关联的各种事务。2.模板(Template),为表现
层进行与表达有关的选择。3.视图(View),亦即从业务逻辑层中存取模块或调取恰当
模块的有关逻辑。该框架由如下优点:
- 开发速度快。
- 囊括了网站开发中的用户管理、内容管理、网站地图、RSS 等常用的众
插件。 - 安全性强,比如Django默认解决了SQL 注入、跨站攻击等问题。
- 应用广泛,类型多样化,使用Django 开发的网站包括公司提供的各类
在线服务网站、社会组织和政府机构网站等,其类型包括但不限于管理系统、社
交网站、计算平台等
图像的分类的发展感受
近年来随着人工智能在围棋上战胜人类,人工智能这个概念也逐渐开始走进大众的视野,人工智能更是快速与各个行业与领域进行了不同程度的融合。图像分类顾名思义就是将所指定的一个图片,采用一个分类算法来确定该图片的所属类别。图象类型的一般流程包括图象预处理、特征抽取及其分类器设计工作。目前,研发人员已经针对图象分类问题给出了以下几种处理算法,即决策树、SVM(Support Vector Machines 支持向量机)、KNN(k-Nearest Neighbors k 近邻)等。但是这类算法仅适用于小规模数据集,并不适合在在大规模图像数据集上使用,在现实生活当中,每人每天会产生大量的数据,而只有大量的数据训练出来的模型才更具有实用性。因此,针对大规模图像分类的深度学习方法更加贴近于生活。其中,卷积神经网络是目前所应用的最为广泛的深度学习方法之一,同时具有高效的局部结构和优良的分类性能,也是本文选择该神经网络的主要原因。
绪论
研究背景与意义
从建国以来,我国就是个森林国家,共形成了约二千七百五十个自然保护区,其中国家有四百七十四个,自然保护区的总土地建筑面积超过了 147 万平方公里,约占到中国领土陆地面积的百分之十五。目前,保护区的病虫害识别主要还是有病虫害专家进行人工识别,而在万物互联的时代加持下,互联网+林业也逐渐引起人们的关注与研究。同时,由于世界天气与地理环境的持续改变,植物病虫害的出现日益频繁,对保护区的自然森林产生重大影响。对植物病虫害的正确认识能够有效的维护环境防止重大损失。本文采用基于卷积神经网络的植物病害识别方法,一定程度上解决了多类型植物病害辨识问题,并且进行了系统的应用实现。但仍必须完成以下探索。
首先,对于模型训练速率的优化问题,在模拟训练速率方面,是否能够采用比较先
进的并行处理方法,以缩短模拟的练习时长。其次,由于网络信息技术的发达,即时采
集植物病害图片和录像技术已经可以实际使用了,在今后的科研中可考虑通过接入
视频技术从而进行植物即时预警,更加快速准确的发现保护区的病虫害病给予解决。
同时,国有林场护林人员在保护林木的时候最重要的二个目标,一是对林木的防
火,另外便是对林木的植被病虫害识别,一旦没有能快速准确的植被病虫害,将会造
成所种植的林木成片污染,并带来巨大损失。传统上依赖于人类研究专家来鉴定因疫
病、害虫、营养缺乏或极端天气导致的植物异常,然而它们是价格昂贵且费时。因
为适应这种技术挑战,利用图像处理技术进行植株病虫害鉴定,也变成了一种很热
门的研究课题,且非常有科研价值和意义。
国内外研究现状
在国内,病虫害识别系统更多的是运用于亚热带常见自然林植物,目的是为了提高亚热带常见自然林植物的产量,当前,我国内只有少部分农民会使用到相关专业的软件或者小程序,大型农产品生产基地会使用定制的企业级智能病虫害防治系统,保证与提高亚热带常见自然林植物的生产,也有较多相关的论文研究过各种农产品。反观,病虫害在林业当中的运用少之又少,林场、个人种植基地与花木种植园等等,公司或者个体户都基本都是采取人工识别的方法解决病虫害识别的问题,相关的识别软件与小程序很少,相关的论文在该领域的研究也相对较少,具有很大的研究价值。在国外,林业基本以大型林场庄园为主,以墨西哥与美国为例,他们的农场正在用人工智能来种植西红柿,测报病虫害的发生,并将农产品的产量提高了 4%。2021年,以色列林业科技公司 Prospera 在亚利桑那州 Nature Sweet 的一座农场测试了这项技术。他们已经将 Nature Sweet 计划将这项技术推广到所有农场。同样,在林业保护方向却很少有这方面的研究,同时林业方面的病虫害识别系统也不多见。
这篇关于基于web的亚热带常见自然林病虫害识别系统——开篇的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!