在糧食儲(chǔ)藏過(guò)程中,害蟲(chóng)是糧食的最大威脅,我國(guó)糧倉(cāng)每年因?yàn)楹οx(chóng)造成的糧食損失達(dá)數(shù)百萬(wàn)噸,給國(guó)家造成了巨大的經(jīng)濟(jì)損失。因此,糧倉(cāng)害蟲(chóng)的監(jiān)測(cè)非常必要。目前絕大多數(shù)糧倉(cāng)每年都會(huì)固定進(jìn)行多次的熏蒸以減少害蟲(chóng)帶來(lái)的損失,為了減少不必要的熏蒸次數(shù),就需要對(duì)糧倉(cāng)害蟲(chóng)進(jìn)行及時(shí)而準(zhǔn)確的監(jiān)測(cè)。監(jiān)測(cè)的關(guān)鍵就是對(duì)糧倉(cāng)害蟲(chóng)進(jìn)行智能化地識(shí)別和計(jì)數(shù)。論文根據(jù)6類糧倉(cāng)害蟲(chóng)圖像,運(yùn)用深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）技術(shù)設(shè)計(jì)并實(shí)現(xiàn)了糧倉(cāng)害蟲(chóng)監(jiān)測(cè)系統(tǒng)。論文主要完成的研究工作如下:（1）提出了L-SSD害蟲(chóng)檢測(cè)網(wǎng)絡(luò),實(shí)現(xiàn)了對(duì)6類常見(jiàn)糧倉(cāng)害蟲(chóng)在有糧食碎粒背景下的種類判別和定位。在SSD-V網(wǎng)絡(luò)的基礎(chǔ)上,通過(guò)降低部分卷積層尺度來(lái)提升訓(xùn)練速度,優(yōu)化損失函數(shù)以增加難例樣本的利用率,增加網(wǎng)絡(luò)的錨點(diǎn)類別數(shù)和優(yōu)化置信度閾值來(lái)提升害蟲(chóng)的檢出率,測(cè)試結(jié)果表明:L-SSD網(wǎng)絡(luò)相比于其他目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)糧倉(cāng)害蟲(chóng)檢測(cè)的mAP（Mean Average Precision）值提升了1.5%¹0.8%,相比較于不同類型的SSD網(wǎng)絡(luò)提升了1.8%³%。（2）針對(duì)害... 

【文章來(lái)源】：江蘇大學(xué)江蘇省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

福島邦彥提出的神經(jīng)認(rèn)知器模型

基于深度卷積神經(jīng)網(wǎng)絡(luò)的糧倉(cāng)害蟲(chóng)監(jiān)測(cè)系統(tǒng)實(shí)現(xiàn)8池化層（PoolingLayer）的作用。YannLeCun在1989年設(shè)計(jì)了應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域的CNN結(jié)構(gòu)，即LeNet的初代版本。LeNet由2個(gè)卷積層和2個(gè)全連接層組成，結(jié)構(gòu)上與如今的CNN非常接近。LeCun對(duì)權(quán)重進(jìn)行隨機(jī)初始化后采用了隨機(jī)梯度下降[34]（StochasticGradientDescent，SGD）進(jìn)行學(xué)習(xí)，這一策略為后來(lái)的深度學(xué)習(xí)所沿用。1998年，YannLeCun等[35]人通過(guò)不斷完善LeNet模型，提出一種更優(yōu)秀的CNN結(jié)構(gòu)：LeNet-5，其結(jié)構(gòu)如圖2.2所示�？茖W(xué)條件下，該網(wǎng)絡(luò)在識(shí)別手寫(xiě)數(shù)字時(shí)取得了高于99%的準(zhǔn)確率，使其被大規(guī)模地應(yīng)用于手寫(xiě)郵政編碼的識(shí)別。圖2.2LeNet-5網(wǎng)絡(luò)的架構(gòu)Figure2.2ThearchitectureofLeNet-5networkLeNet-5采用了LeNet的學(xué)習(xí)策略并在原有設(shè)計(jì)中加入了池化層，可以對(duì)輸入特征進(jìn)行篩眩LeNet-5及其后的變體定義了現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，其網(wǎng)絡(luò)結(jié)構(gòu)中的卷積層-池化層能夠提取圖像的平移不變特征。LeNet-5的成功使得各個(gè)領(lǐng)域紛紛開(kāi)始研究CNN，微軟利用CNN開(kāi)發(fā)了字符識(shí)別系統(tǒng)。CNN也被逐漸應(yīng)用于物體識(shí)別、人臉識(shí)別[36]等。在深度學(xué)習(xí)理論被提出后，CNN的表征學(xué)習(xí)能力得到了廣泛關(guān)注，AlexNet、ZFNet、VGGNet、GoogLeNet和ResNet等復(fù)雜結(jié)構(gòu)的卷積網(wǎng)絡(luò)都是ImageNet視覺(jué)識(shí)別競(jìng)賽的佼佼者。CNN擁有多極化的層次結(jié)構(gòu)，它主要的計(jì)算層有卷積層和池化層。CNN經(jīng)過(guò)卷積、池化等運(yùn)算后，會(huì)將輸入數(shù)據(jù)中平移不變的信息提取出來(lái)。CNN計(jì)算出預(yù)測(cè)值與實(shí)際值之間的誤差后，運(yùn)用反向傳播算法[37]將誤差在反復(fù)迭代中不斷修正。2.1.2CNN的結(jié)構(gòu)層1、卷積層

江蘇大學(xué)工程碩士學(xué)位論文9卷積層的主要任務(wù)是對(duì)輸入數(shù)據(jù)進(jìn)行卷積計(jì)算。卷積計(jì)算是CNN中應(yīng)用最頻繁的運(yùn)算。卷積的過(guò)程實(shí)際就是輸入數(shù)據(jù)與卷積核相乘和相加的過(guò)程，如圖2.3所示，輸入的是5×5的圖像矩陣，卷積核是3×3的預(yù)設(shè)矩陣。圖2.3卷積核與圖像矩陣化Figure2.3Convolutionkernelandimagematrix圖2.4卷積計(jì)算過(guò)程Figure2.4Theprocessofconvolutioncalculation卷積計(jì)算過(guò)程如圖2.4所示，從圖像最左上角的第一個(gè)像素依次進(jìn)行卷積計(jì)算，圖中卷積核的預(yù)設(shè)值和相應(yīng)圖像位置的像素相乘累加，最后獲得33的卷積特征矩陣。2、池化層

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的候選區(qū)域優(yōu)化算法[J]. 王春哲,安軍社,姜秀杰,邢笑雪.  中國(guó)光學(xué). 2019(06)
[2]一種結(jié)合Dropblock和Dropout的正則化策略[J]. 胡輝,司鳳洋,曾琛,舒文璐.  河南師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[3]儲(chǔ)糧害蟲(chóng)在線監(jiān)測(cè)技術(shù)研究進(jìn)展[J]. 張京宣,李明哲,倫才智,劉鑫.  現(xiàn)代農(nóng)業(yè)科技. 2019(10)
[4]基于Darknet框架下YOLO v2算法的車輛多目標(biāo)檢測(cè)方法[J]. 李珣,劉瑤,李鵬飛,張蕾,趙征凡.  交通運(yùn)輸工程學(xué)報(bào). 2018(06)
[5]儲(chǔ)糧害蟲(chóng)在線監(jiān)測(cè)技術(shù)的研究進(jìn)展[J]. 馬彬,金志明,蔣旭初,萬(wàn)小進(jìn),肖雄雄,陳利香,魯玉杰.  糧食儲(chǔ)藏. 2018(02)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的隨機(jī)梯度下降算法[J]. 王功鵬,段萌,牛常勇.  計(jì)算機(jī)工程與設(shè)計(jì). 2018(02)
[7]基于深度卷積神經(jīng)網(wǎng)絡(luò)的儲(chǔ)糧害蟲(chóng)圖像識(shí)別[J]. 程曦,吳云志,張友華,樂(lè)毅.  中國(guó)農(nóng)學(xué)通報(bào). 2018(01)
[8]基于卷積神經(jīng)網(wǎng)的單幅圖像超分辨率重建算法[J]. 劉晨羽,蔣云飛,李學(xué)明.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(09)
[9]基于選擇性搜索和卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)[J]. 吳素雯,戰(zhàn)蔭偉.  計(jì)算機(jī)應(yīng)用研究. 2017(09)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)語(yǔ)音識(shí)別[J]. 張晴晴,劉勇,潘接林,顏永紅.  工程科學(xué)學(xué)報(bào). 2015(09)

碩士論文
[1]儲(chǔ)糧害蟲(chóng)圖像識(shí)別研究平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 趙彬宇.北京郵電大學(xué) 2019
[2]基于生成對(duì)抗神經(jīng)網(wǎng)絡(luò)的核磁共振多加權(quán)成像方法[D]. 陳眺.江蘇大學(xué) 2019
[3]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法在儲(chǔ)糧害蟲(chóng)檢測(cè)識(shí)別中的應(yīng)用[D]. 劉治財(cái).北京郵電大學(xué) 2019
[4]基于虛擬現(xiàn)實(shí)技術(shù)的三維可重構(gòu)儲(chǔ)糧害蟲(chóng)監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 王森.北京郵電大學(xué) 2018
[5]基于深度學(xué)習(xí)的儲(chǔ)糧害蟲(chóng)圖像識(shí)別與分類方法研究[D]. 趙文君.河南工業(yè)大學(xué) 2018
[6]基于深度學(xué)習(xí)的儲(chǔ)糧害蟲(chóng)檢測(cè)算法的研究[D]. 沈馭風(fēng).北京郵電大學(xué) 2018
[7]基于深度學(xué)習(xí)的儲(chǔ)糧害蟲(chóng)檢測(cè)方法研究[D]. 程尚坤.河南工業(yè)大學(xué) 2017
[8]基于聲音信號(hào)處理的農(nóng)業(yè)蟲(chóng)害識(shí)別系統(tǒng)[D]. 賈琪.山東大學(xué) 2016
[9]基于深度學(xué)習(xí)的自然場(chǎng)景文字識(shí)別[D]. 黃攀.浙江大學(xué) 2016
[10]基于圖像識(shí)別的儲(chǔ)糧害蟲(chóng)檢測(cè)專家系統(tǒng)的研究[D]. 梅雪.北京郵電大學(xué) 2009



本文編號(hào)：3133069