首页分享基于深度学习的苹果花开花水平和密度估计

基于深度学习的苹果花开花水平和密度估计

来源：花匠小妙招时间：2025-01-04 09:01

目录>

封面

声明

摘要

英文摘要

1绪论

1．1研究的背景及意义

1．2国内外研究现状

1．2．1苹果花检测技术研究现状

1．2．2深度学习技术在农业领域中的应用

1．3主要研究内容及技术路线

1．3．1研究内容

1．3．2研究方法

1．3．3技术路线

1．4本文组织与结构

2卷积神经网络理论基础

2．1卷积神经网络基本结构

2．1．1卷积层

2．1．2池化层

2．1．3激活函数

2．2目标检测模型

2．3．2上采样方法

2．4本章小结

3苹果园花期数据采集

3．1苹果花数据采集装置

3．2数据采集

3．3本章小结

4基于改进YOLOv5的苹果花开花水平估计

4．1苹果花开花水平数据集构建

4．1．1苹果花开花水平划分

4．1．2果园开花水平数据集构建

4．2苹果花开花水平估计算法

4．3苹果花检测模型

4．4改进YOLOv5模型

4．4．1引入CA注意力机制

4．4．2添加小目标检测头

4．4．3改进特征融合结构

4．5模型训练和评估

4．6开花水平检测实验结果分析

4．6．1复杂自然环境下苹果花检测结果

4．6．2年际知识迁移

4．6．3苹果花开花水平估计

4．6．4开花峰值日期查找

4．7模型性能对比

4．7．1模型改进前后对比实验

4．7．2基线模型对比实验

4．8本章小结

5基于改进U-Net的苹果花密度检测

5．1花密度检测方法研究

5．2苹果花密度数据集制作

5．2．1苹果花密度数据集

5．2．2训练集与测试集划分

5．2．3数据增强

5．3苹果花密度检测方法流程

5．4苹果花分割模型

5．4．1FCN模型

5．4．2DeepLabv3模型

5．4．3DeepLabv3+模型

5．4．4PSPNet模型

5．4．5U-Net模型

5．5模型训练及评估

5．5．1模型训练环境及训练参数

5．5．2语义分割模型评估指标

5．6苹果花分割模型选择及结果分析

5．6．1数据增强对模型的影响

5．6．2不同特征提取网络对模型的影响

5．7改进U-Net的苹果花分割模型

5．7．1两种改进U-Net模型对比

5．7．2拍摄距离对改进模型的影响

5．7．3光照条件对改进模型的影响

5．7．4ASPP-UNet的年际知识迁移能力

5．7．5不同分辨率对ASPP-UNet的影响

5．8苹果花密度映射

5．8．1去除背景信息干扰

5．8．2苹果花密度图

5．9本章小结

6总结与展望

6．1结论

6．3创新点

6．2展望

参考文献

致谢

攻读学位期间的研究成果

基于深度学习的苹果花开花水平和密度估计

苏瑞

山东农业大学

摘要：

苹果树疏花有利于提高苹果产量和果实品质，选择合理的疏花时机及疏花强度有助于降低果树负荷水平，提高果树抗病性，减少产量波动，提高花芽质量。苹果花开花水平的估计和疏花时机的准确判断影响了果园管理者制定生产规划的决策。同时，苹果花密度高低和分布影响了疏花强度。苹果园的疏花生产管理依靠人工经验，劳动强度大,且缺少客观估计。利用计算机视觉估计果园开花水平和花密度分布受到广泛关注，传统基于调整颜色和阈值的苹果花检测方法受到天气、光照…展开v

关键词：苹果;开花水平估计;花密度检测;疏花决策;深度学习

授予单位：山东农业大学

授予学位：硕士

学科专业：机械

导师姓名：王玉亮;亓恒

学位年度：2023

语种：中文

分类号：TP18;S661.1

在线出版日期：2023-09-27（万方平台首次上网日期，不代表论文的发表时间）